Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Grok Voice: Sprachagenten und 21 neue Stimmen

Lektion 5 von 12 Aktualisiert am 3. November 2026 Mittelstufe
Auf dieser Seite
  1. Zwei Ankündigungen, zwei Zielgruppen
  2. Was die Sprach-API kostet
  3. Was dies für Ihr bestehendes Wissen bedeutet
  4. Wichtige Punkte zur Erinnerung

Aktualisiert am 2. November 2026 — Sprache. Grok Voice 3.0 (14. Oktober 2026) ersetzt die veraltete Grok Voice 2.0 zum gleichen Preis von 0,08 USD pro Minute; der Alias grok-voice-latest verweist auf Version 3.0. Für Transkriptionen ist grok-voice-transcribe-2.0 das Standardmodell; Version 1.0 erreichte am 2. Oktober 2026 das Lebensende. Ergänzung vom 3. November 2026: Die folgende Tabelle wurde aktualisiert (Sprachagent zu 4,80 USD pro Stunde statt 3 USD, wie am 28. Juli erfasst), und der Katalog umfasst nun 28 integrierte Stimmen. Quellen: Preise · Text zu Sprache.

Die Sprachabteilung von xAI war lange Zeit der schweigende Bruder der Produktlinie: eine solide, dokumentierte API, die jedoch effektiv nur für Teams vorbehalten war, die über Entwicklungskapazitäten verfügen. Anfang Juli 2026 änderten zwei aufeinanderfolgende Ankündigungen dies. Sie verdienen es, gemeinsam gelesen zu werden, da sie zwei unterschiedliche Einstiegspunkte in dasselbe Produkt skizzieren.

Zwei Ankündigungen, zwei Zielgruppen

Die erste Ankündigung erfolgte am 1. Juli: Der Voice Agent Builder. Das Werkzeug verspricht die Erstellung eines benutzerdefinierten Sprachagenten „in unter 2 Minuten, ohne eine einzige Zeile Code”. In der Praxis definieren Sie die Rolle des Agenten, wählen seine Stimme aus, stellen sein Wissen bereit und setzen ihn dann bereit – alles über eine Benutzeroberfläche, ohne Code zu schreiben. Dies ist genau die Zielgruppe, die in xAIs Sprachangebot fehlte: der Geschäftsführer, der eine Hotline oder ein automatisches Telefonzentralen-System prototypisch erproben möchte, ohne ein Entwicklungsteam zu binden. Die API verschwindet nicht; sie bleibt der Weg für tiefe Integrationen, bei denen der Sprachagent mit Ihrem CRM- oder Ticketing-System kommunizieren muss.

Fünf Tage später, am 6. Juli, kündigte xAI 21 neue mehrsprachige „Flaggschiff”-Stimmen für Grok Voice an und verbesserte gleichzeitig die Natürlichkeit der ursprünglichen fünf Stimmen. Für Sie ist diese mehrsprachige Erweiterung von Bedeutung: Ein Sprachagent auf Englisch ist nur glaubwürdig, wenn auch die Stimme selbst es ist. Bevor Sie sich für ein Projekt festlegen, nehmen Sie sich Zeit, um die verfügbaren Stimmen in Ihrer Zielsprache anzuhören – die Ausgabe variiert erheblich von einer Stimme zur anderen, und das Wechseln von Stimmen nach dem Start eines Kundenserviceprozesses ist immer schwieriger als eine fundierte Auswahl von vornherein.

Was die Sprach-API kostet

Das Preisschema, das auf docs.x.ai veröffentlicht wurde (erfasst am 3. November 2026), lässt sich in vier Zeilen fassen und besteht aus übersichtlichen tabellarischen Daten:

KomponentePreis
Sprachagent (Echtzeit, grok-voice-3.0)0,08 USD pro Minute oder 4,80 USD pro Stunde, plus 0,004 USD pro Texteingabe
Text-zu-Sprache (TTS)15 USD pro Million Zeichen
Batch-Transkription (STT Batch)0,10 USD pro Stunde
Streaming-Transkription (STT Streaming)0,20 USD pro Stunde

Die interessanteste Zeile ist die erste, und nicht nur wegen des Betrags. Der Sprachagent wird pro Stunde und nicht pro Token abgerechnet. Die direkte Konsequenz: Das Budget für ein Call-Center oder eine Hotline lässt sich schnell berechnen. Wenn Ihr Service 200 Stunden Konversation pro Monat abwickelt, wissen Sie, dass die Rechnung 960 USD ausmachen wird – unabhängig von der Ausführlichkeit des Gesprächs, unabhängig von der Komplexität der Antworten. Dies ist ein Kostenmodell, das Finanzteams sofort verstehen, wohingegen eine tokenbasierte Abrechnung immer brüchige Projektionen erfordert.

Die Lücke zwischen den beiden Transkriptionsmodellen erzählt ebenfalls eine Geschichte. Die Batch-Transkription kostet 0,10 USD pro Stunde, die Streaming-Transkription 0,20 USD: Echtzeit kostet genau das Doppelte. Dies ist das klassische Branchenmuster, und es erfordert eine einfache Reflexion: Bezahlen Sie für Echtzeit nur dort, wo Unmittelbarkeit den Anwendungszweck wirklich dient. Live-Untertitel für Meetings rechtfertigen Echtzeit; die Transkription von Anrufaufnahmen zur späteren Analyse tut dies nie – Batch erledigt denselben Job zur Hälfte des Preises.

Was dies für Ihr bestehendes Wissen bedeutet

Wenn Sie unsere Kurse „Grok Voice & Audio”, „Voice Agent API” und „TTS API” belegt haben, ist nichts davon veraltet. Die Implementierungsmechanismen – Echtzeit-WebSocket, Spracherkennung (VAD), Audioformate – bleiben exakt so beschrieben, wie es in diesen Kursen der Fall war. Was hinzugefügt wurde, ist eine darüberliegende Schicht: ein no-code-Tool für schnelles Prototyping, ein erheblich erweitertes Stimmenkatalog und das oben aufgeführte, aktualisierte Preisschema, das es Ihnen ermöglicht, ein Projekt zu kalkulieren, bevor Sie die erste Zeile Code schreiben.

In der Praxis besteht der richtige Ansatz für ein Team, das neu in diesem Bereich ist, nun darin, im Voice Agent Builder zu prototypisieren – zwei Minuten reichen aus, um zu hören, wie Ihr Anwendungszweck klingen würde –, und dann, wenn der Prototyp überzeugt, auf die API umzusteigen für die echte Integration. Die umgekehrte Reihenfolge, beginnend mit Code, macht keinen Sinn mehr, um eine Idee zu validieren.

Offizielle Quelle: docs.x.ai/developers/models und x.ai/news

Wichtige Punkte zur Erinnerung

  • Voice Agent Builder: Erstellen Sie einen Sprachagenten ohne Code (1. Juli)
  • 21 neue mehrsprachige Stimmen wurden am 6. Juli angekündigt; am 3. November sind 28 Stimmen im Katalog
  • Sprachagent: 4,80 USD pro Stunde (erfasst am 3. November; 3 USD bei der Erfassung am 28. Juli) – ein Budget, das in Zeit und nicht in Tokens berechnet wird
  • Transkription: 0,10 USD/Stunde Batch, 0,20 USD/Stunde Streaming – zahlen Sie für Echtzeit weise