Die 10 besten Grok Voice Think Fast 2-Alternativen 2026

Warum überhaupt jemand nach einer Grok Voice Think Fast 2-Alternative sucht

Erst mal fair gegenüber xAI: Das Modell ist gut. Unabhängig gemessen halten die von xAI veröffentlichten Zahlen stand. 97.2% beim Speech Reasoning und 95.1% im Full Duplex Bench, mit einer Zeit bis zum ersten Audio von 0.70 Sekunden. Wer 2025 einen Phone Agent baute, hatte nichts Vergleichbares. Ich habe das Modell in meinem Think Fast 2.0-Review genau auseinandergenommen, und der Mechanismus steckt in der Launch-Analyse.

Qualität ist also nicht der Grund, warum Leute abwandern. Die drei Gründe, die tatsächlich auftauchen, sind alle struktureller Natur, und den Geldpunkt habe ich in meinem Beitrag zu den Think Fast 2.0-Preisen vollständig abgedeckt.

Der Preis des Standardpfads stieg um 60%. Speech to Speech steht auf der xAI-Preisseite bei $0.05/min für grok-voice-think-fast-1.0 und $0.08/min für 2.0, jeweils zuzüglich $0.004 pro Text-Input-Event. Am Preis von 2.0 selbst ist nichts geheim. Was Leute überrascht hat: grok-voice-latest löste früher auf 1.0 auf, und der Speech-to-Speech-Guide datiert den Wechsel zu 2.0 auf den 5. August 2026. Wenn dein Produktionsstring also dieser Alias ist, stiegen die Kosten pro Minute über Nacht um 60%, ohne dass sich in deinem Repo etwas geändert hätte.

Zehn gleichzeitige Sessions sind eine echte Obergrenze. Die Modellkarte nennt 10 gleichzeitige Sessions pro Team, plus eine maximale Sessiondauer von 120 Minuten. xAI erhöht das auf Anfrage. Normal genug, nur ist der Standardwert die Zahl, um die herum man einen Launch tatsächlich plant. Zehn gleichzeitige Anrufe sind für ein Team mit zehn Agenten ein geschäftiger Dienstagnachmittag. Kein Stresstest.

Eine Region, keine Überholspur, kein Rabatt. Voice läuft in us-east-1, und nur dort. Es liegt außerdem außerhalb beider Kostenhebel von xAI. Der 20%-Batch-Rabatt gilt für Textmodelle; die 2x-Priority-Stufe deckt Chat Completions und Responses ab. Voice bekommt keines von beidem, sodass es keine Möglichkeit gibt, die Kosten zu senken oder den Durchsatz zu erhöhen.

Jedes dieser Probleme hat eine andere Lösung. Die meisten Alternativlisten verwischen diesen Unterschied, deshalb wird er hier ausführlich dargestellt.

Wie ich diese zehn ausgewählt habe

Drei Regeln. Plus ein Vorbehalt, den ich lieber offen ausspreche als verstecke.

Regel eins: Zahlen stammen von den eigenen Seiten der Anbieter oder von Artificial Analysis. AA lässt bei jedem Modell dieselben drei Benchmarks laufen. Big Bench Audio für Speech Reasoning, Full Duplex Bench für Turn-Taking, dann tau-Voice, das prüft, ob eine Support-Aufgabe tatsächlich abgeschlossen wurde. Letzteres wird am seltensten zitiert und ist am wichtigsten. Deshalb habe ich meinen Überblick zu Voice-Support-Tools darum aufgebaut und nicht um die Containment-Behauptungen der Anbieter.

Regel zwei: Modellwechsel und Plattformwechsel bleiben getrennt, weil es keine konkurrierenden Anschaffungen sind. Eine Modell-API gibt dir einen WebSocket und nichts weiter. Eine Plattform gibt dir Telefonnummern, Call-Logs und Testing-Tools, bei einer Rechnung, die pro Minute 30% bis 75% höher ausfällt. Mischt man beides in eine gemeinsame Rangliste, vergleicht man am Ende $0.08 mit $0.14, als würde man damit dasselbe kaufen.

Und dann der Vorbehalt: Die vier Optionen auf Modellebene haben keine Produkt-UI, die man zeigen könnte, weil es API-Endpunkte sind. xAIs Doku und Launch-Beiträge enthalten überhaupt keine Screenshots. Deshalb stützen sich die Modellabschnitte auf Benchmark-Zeilen und dokumentiertes Verhalten, während die Plattformabschnitte mit echten Aufnahmen des Produkts beginnen. Das lieber offen sagen, als vier Abschnitte mit Stockgrafiken aufzufüllen.

Grok Voice Think Fast 2-Alternativen im Vergleich

Die Spalte mit den gemessenen Kosten lohnt zweimal Lesen. Diese Zahl stammt daher, dass Artificial Analysis eine feste Workload laufen lässt und berichtet, was die Stunde tatsächlich gekostet hat, etwas anderes als der Listenpreis auf einer Preisseite. Grok rechnet pauschal pro Minute ab, daher landen die gemessenen $4.80 genau auf den gelisteten $4.80. Token-abgerechnete Modelle weichen von ihrem Listenpreis deutlich ab.

Die Spalten zu Benchmarks und gemessenen Kosten stammen aus der Speech-to-Speech-Tabelle von Artificial Analysis. Die Stundenwerte für die Plattformen sind meine eigenen, reine Umrechnung des veröffentlichten Minutenpreises jedes Anbieters, also als Vergleichsumrechnung lesen und nicht als Messwert.

Vier direkte Modellwechsel

Alle vier sind vom gleichen Zuschnitt wie der Kauf von Grok Voice. Ein WebSocket, ein Modell-String, eine Abrechnung pro Minute. Der Migrationsaufwand reicht von einer Konfigurationszeile bis zu einem kompletten Client-Rewrite.

Ein Chart, bevor es zu den einzelnen Einschätzungen geht, und es ist das Nützlichste, was ich für diesen Beitrag erstellt habe. Ich habe nach einem Modell gesucht, das gleichzeitig besser und schneller ist als Think Fast 2.0. Es gibt keins.

1. Grok Voice Think Fast 1.0

Am besten für: noch heute 37.5% von der Voice-Rechnung streichen, ganz ohne Migration.

Niemand führt dieses Modell in seiner Liste, wahrscheinlich weil es sich wie Schummeln anfühlt. grok-voice-think-fast-1.0 steht noch immer auf der Preisseite bei $0.05/min, und es festzupinnen ist eine Änderung an einem String. Artificial Analysis misst $3.00 pro Stunde Input-Audio, gegenüber $4.80 bei 2.0.

Man gibt tatsächlich etwas auf. Es lohnt sich, genau zu wissen, was. Speech Reasoning ist mit 97% praktisch identisch, und tau-Voice sinkt von 56.5% auf 52.1%, also etwa vier Punkte bei der Aufgabenerfüllung. Bei der Gesprächsdynamik öffnet sich die eigentliche Lücke. Full Duplex Bench fällt von 95.1% auf 77.8%, der Unterschied zwischen einem Modell, das Unterbrechungen und Backchannels sauber handhabt, und einem, das Leuten ins Wort fällt. Die Zeit bis zum ersten Audio verdoppelt sich fast, von 0.70s auf 1.25s.

Preise: $0.05/min ($3.00/hr) plus $0.004 pro Text-Input-Event. Gleiches 10-Session-Limit, gleiches us-east-1.

Fazit: Bei einem geskripteten Ablauf mit wenig Unterbrechungen (Bestellstatus, Terminbestätigung, Öffnungszeiten) ist der 1.0-Tradeoff fast wie geschenktes Geld. Bei unterbrechenden Anrufern oder offenem Troubleshooting sieht es anders aus. Genau diese 17-Punkte-Lücke beim Turn-Taking ist der Punkt, an dem ein Anruf schlecht läuft, und dort würde ich die zusätzlichen drei Cent zahlen. Eine Randbemerkung: Die älteren Beiträge zum Voice Agent Builder zitieren alle den 1.0-Preis, sodass dessen Preisseite jetzt zu niedrig wirkt.

2. GPT-Realtime-2.1

Am besten für: Teams, die komplett von xAI weg wollen, mit dem kleinstmöglichen Client-Rewrite.

xAI hat seinen Realtime-Endpunkt bewusst protokollkompatibel mit OpenAIs Realtime API gebaut. Das wirkt in beide Richtungen. Grok zu übernehmen war einfach; aus dem gleichen Grund ist der Wechsel weg genauso einfach. OpenAIs bestbewertete Konfiguration ist GPT-Realtime-2.1 High, 79.1% im Index, mit dem höchsten Turn-Taking-Wert der gesamten Tabelle bei 95.7%.

Zwei Dinge sollte man vor der Entscheidung wissen. tau-Voice liegt bei 45.7% gegenüber Groks 56.5%, das heißt, beim Benchmark für abgeschlossene Support-Aufgaben gibt man fast 11 Punkte zurück. Dann schlagen die Kosten zu. Artificial Analysis misst GPT-Realtime-2.1 High bei $10.75 pro Stunde, mehr als das Doppelte von Grok Voice 2.0.

Auch der Effort-Regler versteckt eine Falle. GPT-Realtime-2.1 Minimal misst $11.31/hr, mehr als die $10.75 von High, bei gleichzeitig 6.6 Punkten niedrigerem Score. Das Reasoning herunterzudrehen ist bei token-abgerechnetem Voice kein Kostenhebel. Ein schwächeres Modell braucht einfach mehr Tokens, um zum selben Ergebnis zu kommen.

Preise: token-basiert, die Rechnung folgt also dem Verlauf des Gesprächs. Das ältere GPT-Realtime-2 listet $1.15/hr Audio-Input und $4.61/hr Audio-Output und misst dann $4.14 all-in. Zeigt, wie wenig der zitierbare Input-Preis hier tatsächlich aussagt.

Fazit: die richtige Wahl, wenn Kompatibilität die Einschränkung ist und Budget nicht. Speziell von Grok wegwechseln, um Geld zu sparen? Falsche Richtung, und GPT-Realtime-2 High mit gemessenen $4.14/hr ist ohnehin das preislich bessere Geschwistermodell. Das passende Stück zur Anbieterebene ist mein Phone-Support-Überblick.

3. Qwen Audio 3.0 Realtime Plus

Am besten für: das derzeit hochwertigste verfügbare Speech-Modell, auf Kanälen, wo niemand in der Leitung wartet.

Ein Modell in der Tabelle schlägt Grok Voice Think Fast 2.0 beim übergeordneten Index, und das ist dieses hier, 84.1% gegenüber 82.9%. Dabei führt es auch bei beiden Einzelbenchmarks, 99% beim Speech Reasoning und 98.4% beim Turn-Taking. Alibaba Cloud listet es mit $0.03 pro Stunde Audio-Input, dem günstigsten veröffentlichten Input-Preis in dieser Kategorie.

Dann kommt die Zahl, die es für eine Telefonleitung ausschließt. Die Zeit bis zum ersten Audio liegt bei 4.02 Sekunden. Vier Sekunden Stille, nachdem ein Anrufer aufgehört hat zu sprechen, wirken wie eine abgebrochene Verbindung. Die Leute sagen "Hallo?" und legen auf. Und die gemessenen All-in-Kosten liegen trotz dieses winzigen Input-Preises bei $4.42/hr, das günstige Preisschild überlebt also den Kontakt mit einer echten Workload nicht.

Wer gehofft hatte, die Flash-Variante würde die Latenz beheben: Das tut sie nicht. Qwen Audio 3.0 Realtime Flash liegt bei 4.16 Sekunden, also etwas langsamer, und bei 76.3% im Index.

Preise: wie gelistet, $0.03/hr Audio-Input und $0.18/hr Audio-Output. Gemessen bei fester Workload, $4.42/hr.

Fazit: Für asynchrone Voice-Aufgaben ist das hier das beste Modell. Voicemail-Triage, Anruf-Zusammenfassungen, Umgang mit aufgezeichneten Nachrichten, Call-Quality-Review. Für Live-Inbound-Support nein: vier Sekunden Funkstille lassen sich durch einen Indexvorteil nicht ausgleichen.

4. Gemini 3.1 Flash

Am besten für: die günstigsten glaubwürdigen Stundenkosten, wenn ein echter Qualitätsverlust akzeptabel ist.

Googles Einstieg ist die Preis-Leistungs-Option, und das wird auch nicht verschleiert. Gemini 3.1 Flash High misst $1.75/hr, 64% unter Grok Voice 2.0, und die 97% beim Speech Reasoning halten sich bei diesem Preis gut. Minimal liegt bei $1.50/hr und antwortet in 0.96 Sekunden.

Turn-Taking ist der Schwachpunkt. Full Duplex Bench liegt bei 74.3% für High und 72.3% für Minimal, beide weit hinter Groks 95.1%, bei tau-Voice mit 37.7%. Klar gesagt: Es versteht die Frage, ist aber langsamer darin, herauszufinden, wer gerade an der Reihe ist, und schließt etwa zwei Drittel so viele Support-Aufgaben ab. Googles schnellste native Audio-Option ist ein anderes Modell, Gemini 2.5 Flash Native Audio Dialog, das in 0.63 Sekunden antwortet, gemessen bei $1.42/hr. Dafür gibt es keinen Index-Wert, da es nicht auf allen drei Benchmarks gelaufen ist.

Preise: gelistet mit $0.35/hr Audio-Input und $1.38/hr Audio-Output. Gemessen $1.75/hr bei High und $1.50/hr bei Minimal.

Fazit: die ehrliche Budget-Wahl. Für Anrufe mit hohem Volumen und geringem Risiko, bei denen eine ungeschickte Unterbrechung nichts kostet, passt es gut. Von einer Abrechnungs- oder Kündigungsleitung würde ich es aber fernhalten. Googles breiteres Line-up steht in Gemini-Alternativen.

Ein Migrationsdetail beißt einen unabhängig davon, in welche Richtung man wechselt. xAI hat OpenAIs Event ...input_audio_transcription.delta in .updated umbenannt, und die Payload ist kumulativ statt inkrementell. Ein Client, der für OpenAI geschrieben wurde und jedes Event an einen Buffer anhängt, produziert also unbemerkt ein Transkript, in dem jedes Wort wiederholt wird. Ein stiller Fehler. Die schlimmste Art.

Sechs vollständige Plattformwechsel

Eine völlig andere Kaufentscheidung. Was diese Anbieter verkaufen, ist die Orchestrierung rund um das Modell. Telefonie, Call-Logs, Wissensdatenbanken, Testing-Tools, Warm Transfers und jemanden, den man anrufen kann, wenn die Leitung ausfällt. Man zahlt für all das pro Minute, und der Aufschlag gegenüber dem reinen Modell ist größer, als die meisten Preisseiten zugeben.

Ich habe mir auch Sierra angesehen, es dann aber aus der nummerierten Liste herausgelassen. Es rechnet pro gelöster Konversation statt pro Minute ab und veröffentlicht keine Preisliste, ein direkter Vergleich ist also nicht möglich. Die veröffentlichte tau-voice-Forschung ist trotzdem lesenswert, und ich zitiere sie weiter unten.

5. ElevenLabs Agents

Am besten für: Teams, die die besten Stimmen der Branche plus eine vollständige Agent-Plattform wollen, genau zum neuen Preis von Grok.

Das ist der Zufall, der diesen Beitrag interessant zu schreiben machte. Jede kostenpflichtige Stufe von ElevenLabs Agents teilt sich auf fast genau $0.08 pro enthaltener Minute auf: $6 für 75 Minuten, $22 für 275, $99 für 1,238, $299 für 3,738, $990 für 12,375. Bei der obersten Stufe geht die Rechnung exakt auf, 12,375 mal $0.08 ergibt $990.00. Bis zum 5. August unterbot Grok ElevenLabs um 37.5%. Jetzt sind es bis auf den Cent dieselbe Zahl.

Die Entscheidung dreht sich also nicht mehr um den Preis. Jetzt geht es um die Abrechnungsform. ElevenLabs-Minuten sind vorausbezahlt und verfallen; Grok ist Pay-as-you-go. Bei 500 Minuten im Monat kostet Grok $40, während der ElevenLabs-Tarif, der das abdeckt, der $99-Pro-Plan ist, weshalb spitzes oder geringes Volumen weiterhin für Pay-as-you-go spricht. Bei konstant hohem Volumen ist es Kopf oder Zahl. Und über 12,375 Minuten im Monat wird ElevenLabs nur noch auf Anfrage angeboten.

Was das gleiche Geld dafür bietet, ist beachtlich. Telefonie gibt es auf jeder Stufe inklusive Free, ebenso Wissensdatenbanken und RAG, und die Konsole meldet die eigene Erfolgsrate (75.1% in der Aufnahme oben), statt einen das Dashboard selbst bauen zu lassen. Business erlaubt 40 gleichzeitige Anrufe gegenüber Groks Standardwert von 10. Ein Widerspruch auf der eigenen Website ist erwähnenswert: Der Text-to-Speech-Katalog wirbt mit 70+ Sprachen, während die Agent-Konfiguration 31 aufführt.

Preise: Free $0 für 15 Minuten, Starter $6 für 75, Creator $22 für 275 (halber Preis im ersten Monat), Pro $99 für 1,238, Scale $299 für 3,738, Business $990 für 12,375, Enterprise auf Anfrage. Textnachrichten $0.003 pro Stück. Es gibt auf keiner Stufe einen Mengenrabatt, weil die Kontingente von vornherein aus dem Preis abgeleitet wurden.

Fazit: der stärkste Plattformwechsel insgesamt hier, und der erste, den ich in die Auswahl nehmen würde, wenn ich Voice-Qualität mit angeschlossener Konsole wollte. Bei spitzem Traffic besser die Finger davon lassen: vorausbezahlte Minuten, die verfallen, bestrafen genau dieses Muster. Das breitere Feld steht in ElevenLabs-Alternativen.

6. Vapi

Am besten für: Engineers, die jede Schicht des Stacks selbst auswählen und jeden Posten einzeln sehen wollen.

Vapi verlangt $0.05/min für das eigene Hosting und reicht dann weiter, was auch immer man für Speech-to-Text, Text-to-Speech, das Modell und die Telefonie wählt. Baut man einen realistischen Support-Aufbau zusammen, landet man bei etwa $0.105/min, das heißt, Vapis eigene Gebühr macht rund 48% einer realistischen Minute aus. Bei der Telefonie sind die günstigen Optionen Telnyx mit $0.0055/min und Twilio inbound mit $0.008/min. Concurrency kostet pauschal $10 pro Leitung, was mir gefällt. Es ist der einzige Anbieter hier, der einen Preis auf genau die Sache setzt, die Groks 10-Session-Limit begrenzt.

Zwei Dinge sollte man einplanen. Der Visual-Workflows-Builder wird am 19. August 2026 abgeschaltet, alles, was dort gebaut wurde, braucht also einen Migrationspfad. Testanrufe werden außerdem zu Produktionsraten abgerechnet, das heißt, eine intensive Testwoche schlägt auf der Rechnung zu Buche. Separat davon: Die Wissensdatenbank funktioniert nur per Datei-Upload mit ausschließlich Gemini-Retrieval, und es gibt überhaupt keine Ticketing-Integrationen, alles, was das Helpdesk betrifft, wird also zu Custom-Arbeit.

Preise: $0.05/min Vapi-Hosting, $0.005/Nachricht bei SMS und Chat, plus Weiterreichung pro Anbieter. $10/Monat pro gleichzeitiger Leitung. Compliance-Add-ons werden separat berechnet.

Fazit: die richtige Wahl, wenn ein Engineer mit Kontrollbedürfnis und einer Tabellenkalkulation zur Hand ist. Die falsche Wahl, wenn man will, dass der Anbieter die Stack-Entscheidungen für einen trifft, und ein echtes Risiko, wenn die eigene Workflow-Logik im Builder liegt, der diesen Monat abgeschaltet wird. Für die Kategorie-Übersicht deckt AI voice companies das gesamte Feld ab.

7. Retell AI

Am besten für: Teams, die QA und Compliance-Kontrollen als Schalter gekauft statt selbst gebaut haben wollen.

Retell wirbt mit $0.07 bis $0.31/min. Die Zusammensetzung ist wichtiger als die Spanne. Die Voice-Infrastruktur kostet $0.055/min und ist unvermeidbar, über die Hälfte der Kosten eines günstigen Aufbaus, bevor überhaupt eine einzige Komponente gewählt wurde. Kommt noch die Plattform-Text-to-Speech mit $0.015/min dazu, dann ein Modell, landet ein realistischer Support-Agent bei etwa $0.135/min. Bei 5,000 Minuten sind das etwa $675 im Monat.

Interessant wird es bei den Add-ons, in beide Richtungen. PII-Entfernung für $0.01/min und Safety-Guardrails für $0.005/min sind ungewöhnlich granular und nützlich, wenn man in einer regulierten Branche sitzt. KI-gestützte QA kostet $0.10/min und macht damit etwa 74% mehr aus, das ist also eine echte Budgetentscheidung und keine Checkbox. Retell gibt SOC 2 Type II, HIPAA und GDPR Compliance auf Plattformebene an; das vertragliche BAA und MSA sind Enterprise vorbehalten.

Zwei ehrliche Grenzen. Die Zendesk-Integration wird als "in Kürze" gelistet statt als ausgeliefert, und es gibt überhaupt keinen Freshdesk- oder Gorgias-Connector, Helpdesk-Arbeit läuft also über API-Kleber. Der Meter stoppt auch bei der Übergabe, was großzügig ist und zugleich zeigt, wo die Verantwortung des Produkts endet. Ich fand es bemerkenswert, dass die eigene FAQ die Frage "Kann KI Callcenter-Agenten ersetzen?" mit einem klaren Nein beantwortet.

Preise: $0.055/min Voice-Infrastruktur, $0.015/min Plattformstimmen ($0.040 für ElevenLabs-Stimmen), plus Modell und Telefonie. PII-Entfernung $0.01/min, Guardrails $0.005/min, KI-QA $0.10/min. Chat-Agenten ab $0.002/Nachricht.

Fazit: die Wahl, wenn Compliance-Kontrollen und Call-QA die Anforderung sind und man diese lieber kauft als selbst baut. Überspringen, wenn die eigene Integrationsliste mit einem Helpdesk beginnt, denn genau da ist die Lücke. Retell AI-Alternativen deckt den Rest dieser Auswahl ab.

8. Bland AI

Am besten für: hochvolumiges Outbound-Calling und Inbound bei einer gebündelten Rate, mit SLA auf jedem Plan.

Bland bündelt statt zusammenzusetzen: $0.14/min bei Start ohne Plattformgebühr, $0.12/min bei Build für $299/Monat, $0.11/min bei Scale für $499/Monat. Eine Rate, kein Stack, den man einzeln bepreisen muss. Was ich einem Käufer raten würde zu prüfen: ab wann sich diese Pläne tatsächlich rechnen. Build schlägt Start erst ab 14,950 Minuten im Monat, und Scale erst ab 16,633. Unter diesen Volumina ist die gebührenfreie Stufe günstiger, trotz höherer Minutenrate. Bei 12,000 Minuten liegen die effektiven Raten bei $0.148, $0.151 und $0.156, beide zahlungspflichtigen Pläne sind also schlechter.

Der eigentliche Unterschied: 99.9% Uptime auf jeder Stufe, auch der kostenlosen, das macht sonst niemand hier. Auch das Testing überzeugt. Der Pathways-Builder oben lässt benannte Szenarien als Deploy-Gates laufen, einen Happy Path und einen Angry Caller, jeweils mit einem Score.

Bland veröffentlicht etwas, das die meisten Anbieter lieber verstecken würden. Es ist der nützlichste Screenshot in diesem ganzen Beitrag.

408 Tool-Ausführungen, 142 Fehler, eine Fehlerrate von 34.8%, aufgeschlüsselt nach Tool. Genau hier laufen Voice-Agenten in der Praxis auseinander. Das Modell hat den Anrufer einwandfrei verstanden; die Kalenderabfrage lieferte null zurück. Bei jedem Anbieter sehen die Zahlen so aus. Nur Bland liefert einem das Dashboard, um es zu sehen.

Zwei Grenzen. Warm Transfer ist Enterprise-exklusiv, und das Connector-Verzeichnis führt 19 Einträge, ohne dass ein Helpdesk darunter wäre.

Preise: Start $0.14/min, $0 Gebühr. Build $0.12/min, $299/Monat. Scale $0.11/min, $499/Monat. Enterprise vertraglich vereinbart. 99.9% SLA auf allen Stufen.

Fazit: die beste Wahl bei Volumen, und die Rechnung der Pläne zeigt, dass die meisten Teams deutlich länger auf Start bleiben sollten, als die Preisseite andeutet. Vor dem Upgrade die 14,950-Minuten-Rechnung durchspielen, plus die Mathematik zum Call-Center-ROI.

9. PolyAI

Am besten für: Enterprise-Telefonleitungen, bei denen die Uptime-Garantie das Produkt ist.

PolyAI rechnet pro Minute ab und nennt nur Angebote auf Anfrage, also keine Rate von mir. Was ich sagen kann: was das Angebot beinhaltet, nämlich genau das, was Modell-APIs strukturell nicht verkaufen können: ein 99.9% Telefon-SLA und eine 24/7-Notfallleitung. Grok Voice veröffentlicht keine Uptime-Zusage und auch keinen Support-Kanal für einen Voice-Ausfall. Wenn eine stille Telefonleitung bei dir ein Umsatzereignis ist, ist genau das der ganze Unterschied.

Zertifizierungen sind hier nicht nach Stufe gestaffelt, was in dieser Kategorie ungewöhnlich ist. Ein mittelgroßer Käufer bekommt dieselbe Compliance-Ausstattung wie ein großer. Agent Studio, in der Aufnahme oben, ist ein konversationeller Builder: man beschreibt die Änderung und testet sie dann in einer Sandbox mit laufendem Kostenzähler, statt Nodes herumzuziehen.

Preise: nur auf Anfrage, pro Minute, SLA und Notfall-Support inklusive. Zertifizierungen nicht nach Stufe gestaffelt.

Fazit: der Kandidat für eine regulierte oder umsatzstarke Telefonleitung. Für ein kleines Team, das diesen Monat noch launchen will, lohnt sich der Sales-Zyklus nicht, und die fehlende veröffentlichte Rate macht die Budgetierung mühsam. Call-Center-Technologie deckt ab, wo diese Ebene ansetzt.

10. Parloa

Am besten für: Teams, die keinen Phone-Agenten launchen, ohne ihn vorher gegen ihre eigenen vergangenen Anrufe getestet zu haben.

Ehrliche Warnung zu diesem Bild. Parloa veröffentlicht keine Screenshots der tatsächlichen Anwendung, was oben zu sehen ist, ist also die eigene Illustration des Unternehmens von der Konversationsansicht, keine Aufnahme. Für einen Käufer ist das ein echter Befund, und ich würde es offengelegt haben wollen, wäre ich derjenige, der bewertet.

Parloa steht trotzdem auf der Liste, wegen einer Spalte, die sonst niemand ausfüllen kann. Es ist der einzige Anbieter hier, dessen Simulation die eigenen echten historischen Transkripte abspielt, gemischt mit synthetischen Szenarien, plus Root-Cause-Tracing und Fixes auf Zeilenebene direkt in der Plattform. Die "Simulation" aller anderen läuft mit selbst geschriebenen Szenarien, testet also die eigene Vorstellungskraft und nicht das eigene Anrufvolumen. Schon mal einen Agenten gelauncht, der jeden selbst erfundenen Test bestanden hat und dann beim ersten echten Anrufer versagt hat? Dann weiß man schon, was dieser Unterschied wert ist.

Auch bei den Zahlen ist das Unternehmen glaubwürdig. Eine Series D über $350M bei einer Bewertung von $3B im Januar 2026, über $50M ARR, 150% Net Revenue Retention.

Preise: verbrauchsbasiert nach Aufgabenkomplexität, nur auf Anfrage. Die Preisseite ist nicht live.

Fazit: bei einer großen Migration ist das die Option, für die ich am stärksten plädieren würde, weil Pre-Launch-Testing gegen echte Historie den Unterschied zwischen einem kontrollierten Rollout und einem öffentlichen Vorfall ausmacht. Für ein kleines Team mit hohem Tempo passt es schlecht, irgendwo zwischen Sales-Zyklus und fehlender Preisliste. Was auch immer man wählt, verbinde es mit durchdachtem Handoff-Design.

Was keine dieser zehn tatsächlich löst

Das ist der Teil, der mir am wichtigsten ist. Er kommt daher, dass ich selbst eine Support-Queue bearbeite, nicht daher, dass ich Benchmark-Tabellen lese.

tau-Voice ist ein Support-Benchmark, kein generischer Audiotest. Ein simulierter Anrufer ruft das Modell mit einem echten Problem an, und der Score sagt, ob die Datenbank am Ende im richtigen Endzustand war. Wörtlich: "Wurde das Problem des Kunden gelöst." Bester Score in der gesamten Tabelle: Grok Voice Think Fast 2.0, 56.5%. Jede Anbieterseite in diesem Beitrag wirbt mit 70% bis 95% Containment.

Zwei Richtungen bestätigen diese Lücke. Sierras tau-voice-Forschung findet, dass jeder Anbieter beim Übergang von klarem Text zu realistischem Telefon-Audio 5 bis 14 Prozentpunkte verliert, und schreibt 79% der ersten kritischen Fehler dem Agenten zu, nicht dem Anrufer. Contact-Center-Betreiber auf Reddit setzen echte Vollautomatisierung bei 15% bis 30% an. Das deckt sich mit dem, was ich bei der automatisierten Ticketlösung auf der Textseite sehe.

Speziell zu Grok fällt die Community-Stimmung wärmer aus, als meine Zahlen vermuten lassen. Beide sind lesenswert:

"Grok voice is surprisingly good, actually. It's still a dumber model than the thinking modes of frontier models, but it's less dumb than the voice modes of other providers."

modeless, Hacker News

"Don't know why this post isn't more popular, this is a SOTA voice model, beating dedicated labs like ElevenLabs"

haaz, Hacker News

Beides trifft zu. Nichts davon ändert die 56.5%. Das Modell ist das beste verfügbare, und es schließt trotzdem nur knapp über die Hälfte der Support-Aufgaben ab.

Bevor man also ein Quartal in diese Entscheidung steckt, wäre meine Frage, wie viele dieser Anrufe existieren, weil irgendwo vorher etwas nie beantwortet wurde. In eesels eigener Kundenforschung stoße ich immer wieder auf das Gegenteil von dem, was Anbieter verkaufen. Ein Team hat es klar formuliert:

"The lack of voice recording support requires agents to summarize voice interactions for Eesel. Implementing this feature would significantly increase our usage."

Ein Support-Outsourcer für Immobilienverwaltung, der die KI als Zendesk-Copilot einsetzt

Das noch einmal lesen. Der Engpass war nicht der Voice-Bot. Der Anrufinhalt erreichte die Text-KI nie, ein Mensch musste jedes Telefongespräch abtippen, bevor Automatisierung überhaupt ansetzen konnte. Das ist die eigentliche Gestalt von Voice im Support: Anrufe und Tickets sind eine Queue in zwei Kostümen, und der teuerste Kanal ist der, den alle als Erstes automatisieren wollen.

Die günstigere Reihenfolge ist meist: die Textkanäle automatisieren kommt vor der Telefonleitung. Dann First Response, und Voice zuletzt. Noch am Einordnen der Kategorie? KI-Agenten versus Chatbots ist der klarste Einstiegspunkt.

Die Budgetfrage verdient dieselbe Sorgfalt. Eine Voice-Minute zu $0.08 bis $0.14 lässt sich nicht mit einem gelösten Ticket vergleichen, also die Zahlen zu Agent versus menschliche Kosten gegen das eigene Volumen laufen lassen statt gegen einen Anbieter-Rechner. Ein modernes KI-Helpdesk schließt pro Dollar deutlich mehr Volumen ab als jeder Phone-Agent auf dieser Liste. Und KI-Kundenservice-Software ist dort, wo der Großteil dieses Budgets zuerst hingehört.

eesel für die Tickets hinter den Anrufen ausprobieren

Ehrlich gesagt: eesel steht nicht auf dieser Liste, weil eesel kein Voice-Modell und keine Telefonleitung verkauft. Was es tut, ist der Kanal, der deine Telefonleitung erst füllt.

Es bindet sich in das Helpdesk ein, das du schon nutzt, Zendesk und Freshdesk eingeschlossen. Es lernt aus dem Help Center und der Ticket-Historie, die dort schon liegt, und löst dann E-Mail- und Chat-Volumen, bevor irgendetwas davon um 16 Uhr zu einem Anruf wird.

Es gibt auch einen Front-Connector, plus Slack und den Rest des Stacks. Es sitzt als Conversational-AI-Schicht über welchem Helpdesk auch immer man betreibt, nicht als Ersatz dafür.

Der Punkt, der zu allem oben passt: wir simulieren jeden Rollout gegen die eigenen historischen Tickets, bevor er einem einzigen echten Kunden antwortet. Das gibt es, weil wir gesehen haben, wie ein selbstsicher klingender Bot eine falsche Antwort gibt. Bei einem Telefonanruf gibt es keinen Entwurf zu prüfen, nichts zurückzuziehen. Dieselbe Disziplin, für die Parloa Enterprise-Preise verlangt, und der Grund, warum ich keinen Kanal ohne sie launchen würde.

Abgerechnet wird pro Lösung statt pro Sitzplatz, ein ruhiger Monat kostet also weniger, statt gleich viel. eesel ausprobieren kostenlos, oder eine Demo buchen, wenn man es lieber erst gegen die eigene Ticket-Historie laufen sehen möchte.