SpaceXAI hat gerade veröffentlicht Grok Voice 3.0. Grok Voice 3.0 ist ein SpaceXAI Speech-to-Speech-Modell, das zuhört, argumentiert, Tools aufruft und spricht. Es belegt nun den ersten Platz beim Artificial Analysis Speech-to-Speech Index mit einer Punktzahl von 86.9. Für Entwickler bleiben der Endpunkt, die Events und der Preis von $0.08 pro Minute gegenüber Grok Voice 2.0 unverändert.
TL;DR
- Läuft auf: SpaceXAI’s gehosteter Voice Agent API ausschließlich. Keine offenen Gewichte, keine lokalen oder quantisierten Varianten.
- Leistung: Höchster Index-Wert aller Modelle, die Artificial Analysis derzeit einstuft.
- Bestes: 86.9 beim AA Speech-to-Speech Index, auf Platz #1.
- Schlechtestes: 71.6% bei τ-Voice, hinter GPT-Live-1 (Astra, medium) mit 74.5%.
- Fazit:
- Bestes: höchster Gesamtwert bei 0.81 s Zeit bis zum ersten Audio.
- Schlechtestes: nicht führend bei agentischer Aufgabenlösung oder roher Sprachargumentation.
Was ist Grok Voice 3.0?
Grok Voice 3.0 ist SpaceXAI’s Flaggschiff für Echtzeit-Sprachmodelle, angeboten als grok-voice-3.0 auf dem /v1/realtime WebSocket-Endpunkt. Der grok-voice-latest Alias zeigt bereits darauf, sodass bestehende Agenten automatisch umgestellt wurden.
SpaceXAI hat keine Parameteranzahl oder Architekturdetails veröffentlicht. Reasoning ist standardmäßig aktiviert (reasoning.effort: "high") und kann auf "none" gesetzt werden für schnellere Gesprächsrunden. Serverseitige Sprachaktivitätserkennung behandelt Unterbrechungen (barge-in). Tools laufen innerhalb der Sitzung: Sammlungssuche, Websuche, X-Suche, Remote-MCP-Server und benutzerdefinierte Funktionen.
Wie schneidet Grok Voice 3.0 bei Benchmarks ab?
Der AA Speech-to-Speech Index ist ein gleichgewichteter Durchschnitt von 4 Komponenten. Dies sind Big Bench Audio Reasoning, τ-Voice agentic performance, Speech Agent Arena Preference und Task Success Rate.
Grok Voice 3.0 erzielt 86.9. GPT-Live-1 (Astra, medium) erzielt 83.2, Gemini 3.8 Live Extended Thinking 82.6. Grok Voice 2.0 erzielte 81.3.
Die Einzelergebnisse sind stark, aber nicht durchgängig auf Platz eins:
- Big Bench Audio: 98.5%, rangiert auf Platz 4. StepAudio 3 Realtime führt mit 99.7%.
- Full Duplex Bench: 97.0%, rangiert auf Platz 4. StepAudio 3 Realtime führt mit 98.9%.
- Task Success Rate: 94.8%, gegenüber 94.6% bei Grok Voice 2.0.
- Speech Agent Arena Elo: 1070, der höchste Wert unter den hier verglichenen 4 Modellen.
- τ-Voice: 71.6%, gegenüber 56.5%, aber unter GPT-Live-1 (Astra, medium) mit 74.5%.
ServiceNows EVA-Bench bewertet Enterprise-Sprachagenten nach Genauigkeit und Erfahrung. SpaceXAI meldet eine Top-Genauigkeit von 74%.
Ist Grok Voice 3.0 schnell und günstig?
Artificial Analysis misst 0.81 s Zeit bis zum ersten Audio. GPT-Live-1 (Astra, medium) misst 1.34 s, sodass SpaceXAIs Behauptung einer „40% niedrigeren Latenz“ stimmt. Grok Voice 2.0 war jedoch schneller, mit 0.70 s.
Bei den Kosten verweist SpaceXAI auf die Artificial Analysis Kosten pro Big Bench Audio Task. Grok Voice 3.0 kostet $0.025 pro Task, gegenüber $0.030 für GPT-Live-1 (Astra, medium) und $0.055 für GPT-Realtime-2.1 (High). Bei AAs Kosten pro Stunde Eingangsaudio ist Gemini 3.8 Live Extended Thinking günstiger: $3.50 gegenüber $4.80.
Listenpreise sind nicht direkt vergleichbar. GPT-Live-1 kostet $0.05 pro Minute, wobei Backend-Modell und Tool-Nutzung separat abgerechnet werden. Gemini 3.8 Live berechnet Audio pro Minute plus Text-Token.
Zurück</button><button class="btn" id="gvNext">Weiter </button><button class="btn" id="gvPlay">Automatische Wiedergabe</button></div> </div> <div class="pnl" id="p2"> <div class="chips" id="gvChips"></div> <div id="gvBars"></div> <p class="note" id="gvNote"></p> </div> <div class="pnl" id="p3"> <svg viewBox="0 0 640 330" width="100%" role="img" aria-label="τ-Voice-Erfolgsquote im Vergleich zur Zeit bis zum ersten Audio"> <rect x="0" y="0" width="640" height="330" fill="transparent"/> <g stroke="#2a2a2a"> <line x1="70" y1="30" x2="70" y2="280"/><line x1="70" y1="280" x2="610" y2="280"/> <line x1="70" y1="196.7" x2="610" y2="196.7" stroke-dasharray="3 4"/><line x1="70" y1="113.3" x2="610" y2="113.3" stroke-dasharray="3 4"/> <line x1="70" y1="30" x2="610" y2="30" stroke-dasharray="3 4"/> </g> <g fill="#9a9a9a" font-size="11"> <text x="62" y="284" text-anchor="end">50%</text><text x="62" y="201" text-anchor="end">60%</text><text x="62" y="117" text-anchor="end">70%</text><text x="62" y="34" text-anchor="end">80%</text> <text x="70" y="298" text-anchor="middle">0.5 s</text><text x="205" y="298" text-anchor="middle">0.75 s</text><text x="340" y="298" text-anchor="middle">1.0 s</text><text x="475" y="298" text-anchor="middle">1.25 s</text><text x="610" y="298" text-anchor="middle">1.5 s</text> <text x="340" y="320" text-anchor="middle">Zeit bis zum ersten Audio (niedriger bedeutet schneller)</text> <text x="16" y="155" text-anchor="middle" transform="rotate(-90 16 155)">τ-Voice-Erfolg</text> </g> <text x="84" y="50" fill="#ffffff" font-size="12" font-weight="700"> besser</text> <g id="gvDots"></g> </svg> <p class="note">Quelle: Artificial Analysis, abgerufen am 14. Oktober 2026. Grok Voice 3.0 liegt bei τ-Voice 2.9 Punkte hinter GPT-Live-1 (Astra, medium), erreicht das erste Audio aber 0.53 s früher.</p> </div> <div class="pnl" id="p4"> <div class="kv"> <div class="k"><b>$0.08/min</b><span>$4.80/hr, genauso viel wie Grok Voice 2.0</span></div> <div class="k"><b>0.81 s</b><span>Zeit bis zum ersten Audio (AA)</span></div> <div class="k"><b>28</b><span>integrierte Stimmen, zusätzlich Klonen</span></div> <div class="k"><b>20</b><span>gelistete Sprachräume, automatisch erkannt</span></div> <div class="k"><b>5</b><span>Tool-Typen: Dateien, Web, X, MCP, Funktionen</span></div> <div class="k"><b>SIP</b><span>Telefon- und Contact-Center-Routing</span></div> </div> <pre><code>wss://api.x.ai/v1/realtime?model=grok-voice-3.0 {"type": "session.update", "session": { "voice": "eve", "reasoning": {"effort": "high"}, "turn_detection": {"type": "server_vad"}, "tools": [{"type": "web_search"}] }}</code></pre> <p class="note">Der Alias <code>grok-voice-latest</code> zeigt bereits auf <code>grok-voice-3.0</code>. Verwenden Sie in der Produktion den versionierten Namen. Grok Voice 2.0 ist veraltet.</p> </div> <div class="ft"><span>Daten: <a href="https://x.ai/news/grok-voice-3" target="_blank" rel="noopener">SpaceXAI</a>, <a href="https://artificialanalysis.ai/speech-to-speech" target="_blank" rel="noopener">Artificial Analysis</a>, <a href="https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech" target="_blank" rel="noopener">SpaceXAI-Dokumentation</a></span><span class="brand">© Marktechpost</span></div> </div> <script> (function(){ var R=document.getElementById('mtp-gv3'); function post(){try{parent.postMessage({mtpEmbed:'gv3',height:R.offsetHeight+40},'*')}catch(e){}} R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){ R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')}); R.querySelectorAll('.pnl').forEach(function(x){x.classList.remove('on')}); t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on'); if(t.dataset.p==='p2')drawBars();if(t.dataset.p==='p3')drawDots();setTimeout(post,60);});}); /* wave */ var w=document.getElementById('gvWave');for(var i=0;i<48;i++){var b=document.createElement('i');b.style.animationDelay=(i*0.045)+'s';w.appendChild(b);} /* pipeline */ var S=[ ['Der Anrufer spricht','Audio wird als PCM mit 8 bis 48 kHz, G.711 oder Opus über einen WebSocket (oder SIP für Telefonanrufe) gestreamt.'], ['Sprecherwechsel-Erkennung','Die serverseitige Sprachaktivitätserkennung entscheidet, wann der Anrufer fertig ist, und behandelt Unterbrechungen (barge-in), wenn er ins Wort fällt.'], ['Reasoning','Reasoning ist standardmäßig aktiviert, wobei reasoning.effort auf "high" gesetzt ist. Stellen Sie es auf "none" für schnellere, einfachere Gesprächsrunden.'], ['Tools','Der Agent kann während des Anrufs Sammlungssuche, Websuche, X-Suche, remote MCP-Server und Ihre eigenen Funktionen aufrufen.'], ['Antwort-Streaming','Audio-Deltas werden gestreamt, sobald sie bereit sind. Artificial Analysis misst 0.81 s bis zum ersten Audio.']]; var F=document.getElementById('gvFlow'),cur=0,timer=null; S.forEach(function(s,i){var b=document.createElement('button');b.className='st';b.innerHTML='<div class="n">SCHRITT '+(i+1)+'</div><div class="t">'+s[0]+'</div>'; b.addEventListener('click',function(){stop();show(i)});F.appendChild(b);}); function show(i){cur=(i+S.length)%S.length;F.querySelectorAll('.st').forEach(function(x,j){x.classList.toggle('on',j===cur)}); document.getElementById('gvDt').textContent=S[cur][0];document.getElementById('gvDp').textContent=S[cur][1];} function stop(){if(timer){clearInterval(timer);timer=null;document. getElementById('gvPlay').textContent='Auto-play';}} document.getElementById('gvPrev').onclick=function(){stop();show(cur-1)}; document.getElementById('gvNext').onclick=function(){stop();show(cur+1)}; document.getElementById('gvPlay').onclick=function(){if(timer){stop();return}this.textContent='Pause';timer=setInterval(function(){show(cur+1)},2200)}; show(0); /* bars */ var M=['Grok Voice 3.0','Grok Voice 2.0','GPT-Live-1 (Astra, medium)','Gemini 3.8 Live Ext. Thinking']; var B={ 'AA Index':{v:[86.9,81.3,83.2,82.6],max:100,f:function(x){return x.toFixed(1)},n:'Gleichgewichteter Durchschnitt aus Big Bench Audio, τ-Voice, Arena-Präferenz und Aufgabenerfolg.'}, 'Big Bench Audio':{v:[98.5,97.2,90.1,97.7],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Sprachliche Schlussfolgerung. Grok Voice 3.0 liegt insgesamt auf Platz 4; StepAudio 3 Realtime führt mit 99.7%.'}, 'τ-Voice':{v:[71.6,56.5,74.5,68.6],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Nachgeahmte Kundensupport-Anrufe mit Tools. GPT-Live-1 (Astra, medium) führt diese Gruppe an.'}, 'Full Duplex Bench':{v:[97.0,95.1,94.9,91.9],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Pausen, Sprecherwechsel, Unterbrechungen und Backchannels.'}, 'Task success':{v:[94.8,94.6,87.4,89.1],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Anteil der Gespräche, die mit dem richtigen finalen Tool-Aufruf enden.'}, 'Arena Elo':{v:[1070,1011,1056,993],max:1100,f:function(x){return String(x)},n:'Live Speech Agent Arena Elo auf Artificial Analysis. Höher ist besser.'}, 'Time to first audio':{v:[0.81,0.70,1.34,1.35],max:1.5,f:function(x){return x.toFixed(2)+' s'},n:'Niedriger ist schneller. Grok Voice 2.0 war schneller als 3.0.'}}; var C=document.getElementById('gvChips'),BR=document.getElementById('gvBars'),key='AA Index'; Object.keys(B).forEach(function(k){var c=document.createElement('button');c.className='chip'+(k===key?' on':'');c.textContent=k; c.onclick=function(){key=k;C.querySelectorAll('.chip').forEach(function(x){x.classList.toggle('on',x===c)});drawBars()};C.appendChild(c);}); M.forEach(function(m,i){var r=document.createElement('div');r.className='row'; r.innerHTML='<div class="lbl">'+m+'</div><div class="trk"><div class="fill'+(i===0?' me':'')+'"></div></div><div class="val"></div>';BR.appendChild(r);}); function drawBars(){var d=B[key];BR.querySelectorAll('.row').forEach(function(r,i){var f=r.querySelector('.fill');f.style.width='0'; r.querySelector('.val').textContent=d.f(d.v[i]);setTimeout(function(){f.style.width=(d.v[i]/d.max*100)+'%'},40+i*90)}); document.getElementById('gvNote').textContent=d.n+' Quelle: Artificial Analysis / SpaceXAI.';} drawBars(); /* scatter */ var P=[['Grok Voice 3.0','0.81 s · 71.6%',0.81,71.6,1,'r'],['Grok Voice 2.0','0.70 s · 56.5%',0.70,56.5,0,'r'],['GPT-Live-1 (Astra, medium)','1.34 s · 74.5%',1.34,74.5,0,'l'],['Gemini 3.8 Live Ext. Thinking','1.35 s · 68.6%',1.35,68.6,0,'l']]; var G=document.getElementById('gvDots'),NS='http://www.w3.org/2000/svg'; P.forEach(function(p){var x=70+(p[2]-0.5)*540,y=280-(p[3]-50)/30*250;var g=document.createElementNS(NS,'g');g.setAttribute('class','dot'); var c=document.createElementNS(NS,'circle');c.setAttribute('cx',x);c.setAttribute('cy',y);c.setAttribute('r',p[4]?9:7); c.setAttribute('fill',p[4]?'#ffffff':'#5c5c5c');c.setAttribute('stroke',p[4]?'#ffffff':'#9a9a9a');g.appendChild(c); [[p[0],0,p[4]?'700':'600'],[p[1],15,'500']].forEach(function(L){var t=document.createElementNS(NS,'text'); t.setAttribute('x',p[5]==='r'?x+14:x-14);t.setAttribute('y',y-2+L[1]);t.setAttribute('text-anchor',p[5]==='r'?'start':'end'); t.setAttribute('fill',p[4]?'#ffffff':'#bdbdbd');t.setAttribute('font-size','12');t.setAttribute('font-weight',L[2]);t.textContent=L[0];g.appendChild(t);}); G.appendChild(g);}); function drawDots(){G.querySelectorAll('.dot').forEach(function(g,i){g.style.opacity='0';g.style.transform='translateY(30px)'; setTimeout(function(){g.style.opacity='1';g.style.transform='none'},80+i*150)});} window. addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300); })(); </script> </body> </html> ">Wie schneidet Grok Voice 3.0 im Vergleich zu GPT-Live-1 und Gemini 3.8 Live ab?
| Merkmal | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, medium) | Gemini 3.8 Live Extended Thinking |
|---|---|---|---|---|
| Entwickler | SpaceXAI | SpaceXAI | OpenAI | |
| Parameter | Nicht offengelegt | Nicht offengelegt | Nicht offengelegt | Nicht offengelegt |
| Kontextlänge | Nicht offengelegt | Nicht offengelegt | Nicht offengelegt | Nicht offengelegt |
| Gewichte | Geschlossen, nur API | Geschlossen, veraltet | Geschlossen, nur API | Geschlossen, nur API |
| Eingabe / Ausgabe | Audio, Text / Audio, Text | Audio, Text / Audio, Text | Audio, Text / Audio, Text | Text, Bild, Video, Audio / Audio, Text |
| AA Speech-to-Speech Index | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 97.2% | 90.1% | 97.7% |
| τ-Voice | 71.6% | 56.5% | 74.5% | 68.6% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
| Task Success Rate | 94.8% | 94.6% | 87.4% | 89.1% |
| Arena Elo (AA live) | 1070 | 1011 | 1056 | 993 |
| Zeit bis zum ersten Audio | 0,81 s | 0,70 s | 1,34 s | 1,35 s |
| AA-Kosten pro Stunde Eingabe-Audio | $4.80 | $4.80 | $5.83 | $3.50 |
| Listenpreis | $0,08/min | $0,08/min | $0,05/min plus Backend-Nutzung | $0,005/min Audio rein, $0,018/min Audio raus, plus Text-Token |
Benchmark-Daten: Artificial Analysis, abgerufen am 14. Oktober 2026. SpaceXAIs Blog führt eingefrorene Arena-Elo-Werte von 1048 (GPT-Live-1) und 990 (Gemini) auf.
Wie setzen Entwickler Grok Voice 3.0 ein?
Die API ist mit der OpenAI Realtime API kompatibel, sodass die Migration meist nur eine neue URL und einen neuen Schlüssel bedeutet.
- Transports: WebSocket, WebRTC-Demo-Apps und SIP für Telefon- und Contact-Center-Anrufe.
- Audio: PCM mit 8 bis 48 kHz, G.711 μ-law und A-law sowie Opus.
- Voices: 28 eingebaute Voices, dazu individuelle Voices, die aus einem Referenzclip von bis zu 120 s geklont wurden.
- Sprachen: 20 gelistete Sprachvarianten mit automatischer Spracherkennung.
- Erweiterungen:
force_messagefür skriptbasierte Zeilen, Aussprachereplacekarten und Wiederaufnahme von Sitzungen nach 30 Minuten. - Compliance: SOC 2 Type II, HIPAA-berechtigt mit BAA sowie GDPR. SpaceXAI gibt an, dass Audio weder gespeichert noch für das Training verwendet wird.
Produktionsteams sollten grok-voice-3.0 anstatt des Alias pinnen. Grok Voice 2.0 ist nun veraltet.
Wichtigste Erkenntnisse
- Grok Voice 3.0 belegt Platz #1 auf dem AA Speech-to-Speech Index mit 86.9.
- Es antwortet in 0.81 s, was 40% geringere Latenz bedeutet als GPT-Live-1 (Astra, medium).
- τ-Voice sprang auf 71.6%, aber GPT-Live-1 führt weiterhin mit 74.5%.
- Der Preis bleibt bei $0.08 pro Minute, und
grok-voice-latestwurde automatisch aktualisiert. - Es ist nur über die API verfügbar: keine Gewichte, keine veröffentlichte Größe.
Schauen Sie sich die offizielle Ankündigung, die Speech to Speech-Dokumentation und die Artificial Analysis-Bestenlistean. Alle Anerkennung gebührt dem Forscher dieses Projekts. Folgen Sie uns außerdem gerne auf Twitter und vergessen Sie nicht, unserem 150k+ML SubReddit beizutreten und unseren Newsletterzu abonnieren. Moment! Sind Sie auf Telegram? jetzt können Sie uns auch auf Telegram beitreten.
Der Beitrag Meet Grok Voice 3.0: SpaceXAI Voice Agent Model Ranks #1 on Artificial Analysis erschien zuerst auf MarkTechPost.