Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Lernen Sie den Grok Voice Agent kennen

Lektion 1 von 14 Aktualisiert am 3. November 2026 Mittelstufe
Auf dieser Seite
  1. Ein Echtzeit-Gesprächsagent für die Stimme
  2. Wie die Verbindung funktioniert
  3. Der Audio-Loop
  4. Was der Agent während des Gesprächs tun kann
  5. Einschränkungen, die von Anfang an geplant werden müssen
  6. Kernaussagen

Aktualisiert am 3. November 2026. Grok Voice 3.0, veröffentlicht am 14. Oktober 2026, ersetzt das veraltete Grok Voice 2.0 zum gleichen Preis von 0,08 USD pro Minute. Der Alias grok-voice-latest verweist nun auf Version 3.0. Für Transkriptionen ist grok-voice-transcribe-2.0 das Standardmodell; Version 1.0 ist am 2. Oktober 2026 aus dem Lebenszyklus ausgeschieden. Quellen: Preise · Ratenbegrenzungen.

Ein Echtzeit-Gesprächsagent für die Stimme

Die Grok Voice Agent API ermöglicht es Ihnen, Assistenten zu erstellen, die live gesprochene Gespräche mit Ihren Nutzern führen. Was sie von einer klassischen Einrichtung unterscheidet, ist die Architektur. Der klassische Ansatz verknüpft drei Dienste, hinter denen jeweils ein eigener HTTP-Aufruf steht: Spracherkennung, Textantwort und Text-zu-Sprache. Der Voice Agent überträgt hingegen alles über eine einzige persistente WebSocket-Verbindung. Der Nutzer spricht, das Modell hört zu, versteht und antwortet laut, ohne dass drei Wege über das Netzwerk zurückgelegt werden müssen.

Grok Voice Agent

Sie hören den Unterschied sofort. Eine dreistufige Pipeline hinterlässt nach jedem Satz eine Lücke von mehreren hundert Millisekunden. Ein Gespräch mit dem Voice Agent fühlt sich eher wie ein Telefonat an: Die andere Seite greift dort auf, wo Sie aufgehört haben, Sie können einlegen, und das Gespräch wird fortgesetzt. Diese Kontinuität unterscheidet ein Telefonmenü, das Kunden ertragen müssen, von einem Assistenten, mit dem sie gerne sprechen.

0,08 USD
pro Minute
28
eingebaute Stimmen
10
gleichzeitige Sitzungen im Einstiegsniveau
4,80 USD
pro Stunde

Wie die Verbindung funktioniert

Alles läuft über WebSocket, das einen bidirektionalen Kanal zwischen Ihrer Anwendung und xAI offen hält. Verbinden Sie sich mit dem Endpunkt wss://api.x.ai/v1/realtime und geben Sie Ihren API-Schlüssel im Autorisierungs-Header ein, genau wie bei einem REST-Aufruf:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Der Server antwortet mit einem session.created-Ereignis, um die Verbindung zu bestätigen. Behandeln Sie die Verbindung nicht als bereit, bis dieses Ereignis eingetroffen ist: Es ist Ihr Signal, Ihre Konfiguration in einer session.update-Nachricht zu senden. Eine Anwendung, die ihre Konfiguration vor dem Eintreffen von session.created sendet, kann beim Start unvorhersehbar reagieren.

Der Audio-Loop

Sobald die Sitzung konfiguriert ist, fließen die Daten in einem klar definierten Zyklus. Ihre Anwendung erfasst Audio vom Mikrofon, kodiert es in Base64 und sendet es in kleinen Paketen mit input_audio_buffer.append. Dieser Input ist kontinuierlich: Sie warten nicht darauf, dass der Nutzer einen Satz beendet, bevor Sie mit dem Senden beginnen. Gleichzeitig führt der Server die Sprachaktivitätserkennung (VAD) durch, die eigenständig erkennt, wann der Nutzer beginnt und aufhört zu sprechen. Grok verarbeitet das Gesagte, interpretiert es im Kontext des Gesprächs und generiert eine Antwort. Das Antwort-Audio strömt zurück zu Ihnen über response.output_audio.delta, Paket für Paket, ebenfalls in Base64.

Der Vorteil dieses Designs besteht darin, dass Sie keinerlei Logik für die Gesprächsabwechselung schreiben müssen. Sie entscheiden nicht, wann der Nutzer fertig ist, und lösen die Generierung nicht selbst aus. Der Server übernimmt dies, und Sie müssen lediglich das Audio abspielen, sobald es ankommt. Der Zyklus wiederholt sich, bis das Gespräch endet.

Was der Agent während des Gesprächs tun kann

Der Voice Agent kann mehr als nur chatten: Er kann Tools mitten im Gespräch aufrufen. Er verfügt über Websuche für Echtzeitinformationen, X-Suche für Beiträge auf der Plattform, benutzerdefinierte Funktionen, um Ihre eigenen APIs aufzurufen, Dateisuche, um durch Sammlungen vektorisierter Dokumente zu suchen, und Verbindungen zu MCP (Model Context Protocol)-Servern, um standardisierte externe Tools zu erreichen.

So sieht das in der Praxis aus. Ein Kunde ruft an, um den Status einer Bestellung zu prüfen. Während der Assistent den Kunden mit ein oder zwei Sätzen unterhält, fragt er Ihre Datenbank über eine benutzerdefinierte Funktion ab und liest dann das Lieferdatum vor. Oder stellen Sie sich einen Terminplaner vor, der über einen MCP-Server einen Kalender prüft und sofort drei Zeitfenster anbietet. In jedem Fall merkt der Nutzer nicht, dass eine API aufgerufen wurde.

Einschränkungen, die von Anfang an geplant werden müssen

Zwei Grenzen prägen Ihre Architektur. Die erste ist die Anzahl der gleichzeitigen Sitzungen: 10 im Einstiegsniveau, dann 20, 50, 100 und 200, abhängig vom Niveau Ihres Teams. Vergleichen Sie diese Zahl mit Ihrem Spitzenrufvolumen, bevor Sie in die Produktion gehen. Die zweite ist die Kosten: 0,08 USD pro Minute, also 4,80 USD pro Stunde, plus 0,004 USD pro Texteingabe. Die Abrechnung erfolgt nach der Minute, daher schließen Sie Sitzungen, die niemand nutzt. Die aktuelle Dokumentation legt kein maximales Sitzungsdauer fest. Für lange Gespräche oder nach einem Verbindungsabbruch wiederholt die Sitzungsfortsetzung die Historie, die 30 Minuten nach der letzten Aktivität gespeichert wird. Audio ist standardmäßig 24 kHz PCM, und Sie können das Format an Ihren Kanal anpassen.

Preise geprüft am 3. November 2026. Preise ändern sich häufig: Bevor Sie etwas einkalkulieren, prüfen Sie die aktuellen Raten auf der offiziellen xAI-Preiseite.

Kernaussagen

  • Der Grok Voice Agent läuft über WebSocket für Echtzeit-Stimmengespräche
  • Die Sprachaktivitätserkennung (VAD) läuft auf dem Server, was Ihren Code vereinfacht
  • Der Agent kann Tools (Web, X, Funktionen, Dateien, MCP) während des Gesprächs nutzen
  • Es kostet 0,08 USD pro Minute (4,80 USD pro Stunde); die Anzahl der gleichzeitigen Sitzungen reicht von 10 bis 200, abhängig von Ihrem Niveau