xAI hat Grok Voice 3.0 am 14. Oktober über seine gehostete Voice Agent API veröffentlicht. Für Teams, die einen Sprachagenten für den Kundensupport auswählen, zeigt die aktuelle Speech-to-Speech-Tabelle von Artificial Analysis gegenüber Grok Voice 2.0 einen Zuwachs um 15,1 Prozentpunkte bei simulierten Supportaufgaben, eine kleine Veränderung bei einer separaten Kennzahl für den Aufgabenerfolg und eine langsamere erste Audioantwort.

Laut xAI verweist der Alias grok-voice-latest jetzt automatisch auf 3.0. Der aktuelle API-Leitfaden bietet außerdem den versionierten Namen grok-voice-3.0 für Teams, die eine Version festschreiben müssen. WebSocket-Endpunkt, Sitzungsparameter und Ereignisse bleiben laut xAI gegenüber 2.0 unverändert. Nutzer des Alias müssen ihre Anwendung nicht migrieren. Ein neues Modell hinter einem veränderlichen Alias ist allerdings ein Anlass, die eigenen Anruftests der Anwendung erneut auszuführen.

Die große Veränderung

  • Was sich geändert hat: Grok Voice 3.0 hat 2.0 hinter dem API-Alias grok-voice-latest ersetzt. Artificial Analysis meldet für seinen simulierten Kundensupport-Benchmark jetzt 71,6 % gegenüber 56,5 % für 2.0.
  • Warum das wichtig ist: Die Kennzahl prüft, ob ein Agent bei vorgegebenen Problemen aus Luftfahrt, Einzelhandel und Telekommunikation den korrekten Datenbankzustand erreicht. Sie ist für einen Supportablauf relevanter als eine allgemeine Bewertung des Audio-Schlussfolgerns, bleibt aber eine Simulation.
  • Worauf es ankommt: Derselbe Evaluator maß für 3.0 eine Zeit von 0,81 Sekunden bis zum ersten Audio, gegenüber 0,70 Sekunden für 2.0. Teams sollten ihre eigene Antwortzeit, Aufgabenerledigung und abrechenbare Sitzungsdauer prüfen, bevor sie eine Bereitstellung mit festgeschriebener Version umstellen.

Supportwert und Antwortverzögerung

Die Methodik von Artificial Analysis beschreibt den τ-Voice-Test als simulierten Kunden, der einen mit einem Richtliniendokument und fachspezifischen Werkzeugen ausgestatteten Agenten anruft. Die Aufgaben aus Luftfahrt, Einzelhandel und Telekommunikation haben definierte finale Datenbankzustände; der Wert ist der Durchschnitt aus drei Durchläufen. Die aktuelle Tabelle nennt 71,6 % für Grok Voice 3.0 gegenüber 56,5 % für Grok Voice 2.0: einen Anstieg um 15,1 Prozentpunkte unter diesen Testbedingungen. Die Bewertung verwendet einen simulierten Kunden, erzeugte Sprache, Transkription und ein bewertendes Modell. Sie misst nicht den Anteil realer Anrufer, deren Probleme ein eingesetzter Dienst löst.

Die separate Erfolgsquote bei Aufgaben in der Speech Agent Arena steigt lediglich von 94,6 % für 2.0 auf 94,8 % für 3.0. Sie zählt geeignete Gespräche mit den korrekten abschließenden Werkzeugaufrufen, die die Aufgabe erledigen; ihr Test unterscheidet sich von τ-Voice. Der Gesamtindex von Artificial Analysis steigt von 81,3 auf 86,9. Seine aktuelle Version gewichtet Audio-Schlussfolgern, τ-Voice, die Präferenz von Anrufern im Blindvergleich und den Arena-Aufgabenerfolg gleich. Keine dieser Zahlen allein belegt Verbesserungen bei jeder Kundendienstaufgabe.

Zur Geschwindigkeit meldet Artificial Analysis die durchschnittliche Zeit bis zum ersten Audio bei seinen Big-Bench-Audio-Fragen. Grok Voice 3.0 benötigt 0,81 Sekunden, 2.0 benötigt 0,70 Sekunden. Das neue Modell brauchte in diesem Test also 0,11 Sekunden länger, um zu sprechen, obwohl xAI seine Latenz in der Veröffentlichungsankündigung als „unter einer Sekunde“ bezeichnet. Die Messung endet bei der ersten Audioausgabe; sie misst weder die Latenz eines gesamten Anrufs noch die Zeit bis zur Problemlösung.

Was der ausgewiesene Sprachpreis abdeckt

xAI listet beide Versionen für Speech-to-Speech-Audio mit 0,08 Dollar pro Minute beziehungsweise 4,80 Dollar pro Stunde. Die Preisseite für Modelle berechnet zusätzlich 0,004 Dollar je abrechenbarem Textereignis conversation.item.create. Bei der standardmäßigen Sprecherwechselerkennung server_vad zählt die Audiomessung die Sitzungsdauer. Bei Push-to-Talk zählt sie gesendetes und empfangenes Audio. Eine dauerhaft geöffnete Sitzung von zehn Minuten kostet zum ausgewiesenen Zeittarif daher 0,80 Dollar für Audio, bevor separat abgerechnete Textereignisse hinzukommen. Diese Rechnung beruht auf der Preisliste von xAI, nicht auf einer Rechnung von BIG CHANGE oder einem getesteten Anruf.

Entwickler benötigen für eine serverseitige WebSocket-Verbindung einen xAI-API-Schlüssel oder für eine Clientanwendung einen kurzlebigen Token. Der API-Leitfaden dokumentiert wss://api.x.ai/v1/realtime, einen Abfrageparameter model, ein Ereignis session.update für Anweisungen, Stimme und Sprecherwechselerkennung sowie als Antwort gestreamte Audioereignisse. xAI nennt ein Limit von zehn gleichzeitigen Sitzungen pro Team und maximal 120 Minuten pro Sitzung. Ein Supportteam müsste weiterhin eigene Richtlinien, Werkzeuge, Grenzen für Kundendaten und einen Eskalationsablauf bereitstellen; die veröffentlichte Benchmarkkonfiguration belegt nicht, wie diese konkrete Umsetzung abschneiden wird.

xAI berichtet außerdem, dass Starlink täglich 20.000 Anrufe mit Grok Voice bearbeitet und etwa 70 % ohne Menschen löst. Das sind vom Unternehmen gemeldete Betriebszahlen; die synthetischen Tests von Artificial Analysis verifizieren sie nicht. BIG CHANGE hat die Dokumentation zu Veröffentlichung, API und Benchmark geprüft. Wir haben weder die API genutzt noch einen Supportagenten angerufen oder die Bewertung reproduziert.

Quellen und weiterführende Informationen