Die 10 besten Grok Voice Think Fast 2-Alternativen 2026

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

Fairerweise zuerst zu xAI: Das Modell ist gut. Unabhängig gemessen halten die von xAI veröffentlichten Zahlen stand. 97,2% bei Speech Reasoning und 95,1% bei Full Duplex Bench, mit erstem Audio nach 0,70 Sekunden. Wer 2025 einen Telefonagenten gebaut hat, hatte nichts Vergleichbares. Ich habe das Modell in meiner Think Fast 2.0-Bewertung auseinandergenommen, und der Mechanismus steckt im Launch-Breakdown.

Qualität ist also nicht der Grund, warum jemand geht. Die drei Gründe, die tatsächlich genannt werden, sind alle struktureller Natur, und den Geld-Grund habe ich vollständig in meinem Preisbeitrag zu Think Fast 2.0 behandelt.

Der Preis des Standardpfads ist um 60% gestiegen. Speech to Speech steht auf der xAI-Preisseite mit $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. Der 2.0-Tarif selbst ist kein Geheimnis. Was Leute überrascht hat, ist, dass grok-voice-latest früher auf 1.0 verwies, und der Speech-to-Speech-Guide datiert den Wechsel zu 2.0 auf den 5. August 2026. Steht in deinem Produktionscode also dieser Alias, sind die Kosten pro Minute über Nacht um 60% gestiegen, ohne dass sich in deinem Repository etwas geändert hätte.

Zehn gleichzeitige Sessions sind eine reale Obergrenze. Das Model Card veröffentlicht 10 gleichzeitige Sessions pro Team, plus eine maximale Sessiondauer von 120 Minuten. xAI erhöht das auf Anfrage. Eigentlich normal, nur dass diese Standardzahl genau die Zahl ist, um die herum man einen Launch tatsächlich plant. Zehn gleichzeitige Anrufe sind für ein zehnköpfiges Team ein geschäftiger Dienstagnachmittag. Kein Stresstest.

Eine Region, keine Überholspur, kein Rabatt. Sprache läuft in us-east-1, und nur dort. Sie liegt zudem außerhalb beider Kostenhebel von xAI. Der 20%-Batch-Rabatt gilt für Textmodelle; die 2x-Prioritätsstufe deckt Chat Completions und Responses ab. Für Sprache greift keins von beidem, wodurch 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 ausdrücklich aufgeschlüsselt.

Wie ich diese zehn ausgewählt habe

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

Regel eins: Zahlen stammen entweder 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 das Timing im Gesprächswechsel, dann tau-Voice, das fragt, ob eine Support-Aufgabe tatsächlich abgeschlossen wurde. Letzteres wird am seltensten zitiert und zählt am meisten. Deshalb habe ich meinen Voice-Support-Überblick darauf aufgebaut statt auf den Containment-Behauptungen der Anbieter.

Regel zwei: Modellwechsel und Plattformwechsel werden getrennt behandelt, weil sie keine konkurrierenden Anschaffungen sind. Eine Modell-API gibt dir nur einen WebSocket. Eine Plattform gibt dir Telefonnummern, Anrufprotokolle und Testwerkzeuge, für eine Rechnung, die 30% bis 75% höher pro Minute ausfällt. Mischt man beides in eine einzige Rangliste, vergleicht man am Ende $0.08 mit $0.14, als würde man dasselbe kaufen.

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

Alternativen zu Grok Voice Think Fast 2 im Vergleich

Lies die Spalte mit den gemessenen Kosten zweimal. Diese Zahl stammt daher, dass Artificial Analysis eine feste Arbeitslast durchlaufen lässt und berichtet, was die Stunde tatsächlich gekostet hat, etwas anderes als der Listenpreis auf einer Preisseite. Grok berechnet einen flachen Minutentarif, weshalb der gemessene Wert von $4.80 mit dem Listenpreis von $4.80 übereinstimmt. Modelle mit Token-Abrechnung weichen dagegen deutlich von ihrem Listenpreis ab.

Die Spalten für Benchmark und gemessene Kosten stammen aus der Speech-to-Speech-Tabelle von Artificial Analysis. Die Stundenwerte für die Plattformen sind meine eigene Rechnung auf Basis der veröffentlichten Minutentarife der jeweiligen Anbieter, also als grobe Umrechnung lesen und nicht als Messergebnis.

Vier direkt austauschbare Modelle

Alle vier sind dieselbe Art von Anschaffung wie Grok Voice. Ein WebSocket, eine Modell-Zeichenkette, eine Abrechnung pro Minute. Der Migrationsaufwand reicht von einer Konfigurationszeile bis zu einem kompletten Client-Rewrite.

Ein Diagramm vor den Einzelbewertungen, 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 geeignet für: noch heute Nachmittag 37,5% von der Sprachrechnung streichen, ganz ohne Migration.

Niemand führt diese Option auf, ich vermute, weil es sich wie Betrug anfühlt. grok-voice-think-fast-1.0 steht weiterhin auf der Preisseite bei $0.05/Min., und es festzunageln ist die Änderung einer einzigen Zeichenkette. 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 Aufgabenerledigung. Der eigentliche Unterschied öffnet sich bei der Gesprächsdynamik. Full Duplex Bench fällt von 95,1% auf 77,8%, der Unterschied zwischen einem Modell, das Unterbrechungen und Rückkanalsignale sauber handhabt, und einem, das Leuten ins Wort fällt. Auch die Zeit bis zum ersten Audio verdoppelt sich fast, von 0,70s auf 1,25s.

Preis: $0.05/Min. ($3.00/Std.) plus $0.004 pro Text-Input-Event. Gleiches 10-Session-Limit, gleiche Region us-east-1.

Fazit: Ein skriptgesteuerter Ablauf mit wenigen Unterbrechungen (Bestellstatus, Terminbestätigung, Öffnungszeiten) macht den Wechsel zu 1.0 fast zu geschenktem Geld. Bei unterbrechenden Anrufern oder offener Fehlersuche sieht es anders aus. Genau diese 17-Punkte-Lücke beim Gesprächswechsel ist der Punkt, an dem ein Anruf schiefläuft, und dort würde ich die zusätzlichen drei Cent zahlen. Eine Randnotiz: Die älteren Beiträge zum Voice Agent Builder zitieren alle den 1.0-Tarif, weshalb dessen Preisseite inzwischen günstig wirkt.

2. GPT-Realtime-2.1

Am besten geeignet für: Teams, die komplett von xAI wegwollen, mit möglichst kleinem Client-Rewrite.

xAI hat seinen Realtime-Endpunkt bewusst protokollkompatibel zur Realtime-API von OpenAI gebaut. Das wirkt in beide Richtungen. Grok zu übernehmen war einfach; es wieder zu verlassen ist aus demselben Grund einfach. Die bestbewertete Konfiguration von OpenAI ist GPT-Realtime-2.1 High mit 79,1% im Index und dem höchsten Wert für Gesprächswechsel in der gesamten Tabelle, 95,7%.

Zwei Dinge sollte man vor der Entscheidung kennen. tau-Voice liegt bei 45,7% gegenüber 56,5% bei Grok, also fast 11 Punkte weniger bei dem Benchmark, der abgeschlossene Support-Aufgaben misst. Und dann schlagen die Kosten zurück. Artificial Analysis misst GPT-Realtime-2.1 High mit $10.75 pro Stunde, mehr als doppelt so viel wie Grok Voice 2.0.

Auch der Reasoning-Regler versteckt eine Falle. GPT-Realtime-2.1 Minimal misst $11.31/Std., mehr als die $10.75 von High, bei gleichzeitig 6,6 Punkten niedrigerer Wertung. Reasoning herunterzudrehen ist bei token-abgerechneter Sprache kein Kostenhebel. Ein schwächeres Modell verbraucht schlicht mehr Token, um zum selben Ergebnis zu kommen.

Preis: token-basiert, die Rechnung folgt also der Form des Gesprächs. Das ältere GPT-Realtime-2 listet $1.15/Std. Audio-Input und $4.61/Std. Audio-Output, misst dann aber $4.14 komplett. Zeigt, wie wenig der zitierbare Input-Tarif hier bedeutet.

Fazit: die richtige Wahl, wenn Kompatibilität die Einschränkung ist und das Budget nicht. Von Grok speziell wegzugehen, um Geld zu sparen? Falsche Richtung, und GPT-Realtime-2 High mit gemessenen $4.14/Std. ist ohnehin das preislich attraktivere Geschwistermodell. Das ergänzende Stück zur Anbieterebene ist mein Überblick zu Phone-Support.

3. Qwen Audio 3.0 Realtime Plus

Am besten geeignet für: das qualitativ hochwertigste verfügbare Sprachmodell, auf Kanälen, bei denen niemand in der Leitung wartet.

Ein einziges Modell in der Tabelle schlägt Grok Voice Think Fast 2.0 im Haupt-Index, und das ist es, 84,1% gegenüber 82,9%. Dabei führt es auch beide Komponenten-Benchmarks an, 99% bei Speech Reasoning und 98,4% beim Gesprächswechsel. Alibaba Cloud listet es mit $0.03 pro Stunde Audio-Input, dem günstigsten veröffentlichten Input-Tarif in der Kategorie.

Dann kommt die Zahl, die es für eine Telefonleitung ausschließt. Die Zeit bis zum ersten Audio beträgt 4,02 Sekunden. Vier Sekunden Stille, nachdem ein Anrufer aufgehört hat zu sprechen, wirkt wie eine unterbrochene Verbindung. Sie sagen "Hallo?" und legen auf. Und die gemessenen Gesamtkosten liegen trotz dieses winzigen Input-Tarifs bei $4.42/Std., der günstige Preis überlebt also den Kontakt mit einer echten Arbeitslast nicht.

Wer gehofft hat, dass die Flash-Variante die Latenz behebt, wird enttäuscht. Qwen Audio 3.0 Realtime Flash braucht 4,16 Sekunden, etwas langsamer, und erreicht 76,3% im Index.

Preis: laut Liste $0.03/Std. Audio-Input und $0.18/Std. Audio-Output. Gemessen mit fester Arbeitslast: $4.42/Std.

Fazit: für asynchrone Sprachaufgaben ist das hier das beste Modell. Voicemail-Triage, Anruf-Zusammenfassung, Bearbeitung aufgezeichneter Nachrichten, Qualitätsprüfung von Anrufen. Für Live-Inbound-Support nicht: vier Sekunden Totenstille lassen sich durch einen Indexvorsprung nicht ausgleichen.

4. Gemini 3.1 Flash

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

Googles Angebot ist die Preis-Leistungs-Option und tut nicht so, als wäre es etwas anderes. Gemini 3.1 Flash High misst $1.75/Std., 64% unter Grok Voice 2.0, und die 97% bei Speech Reasoning halten sich zu diesem Preis gut. Minimal kostet $1.50/Std. und antwortet in 0,96 Sekunden.

Der Gesprächswechsel ist die Schwachstelle. Full Duplex Bench liegt bei 74,3% für High und 72,3% für Minimal, beide weit hinter den 95,1% von Grok, mit tau-Voice bei 37,7%. Klar gesagt: Es versteht die Frage, ist aber langsamer darin, herauszufinden, wer gerade sprechen darf, 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/Std. Dafür gibt es keinen Index-Wert, da es nicht auf allen drei Benchmarks getestet wurde.

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

Fazit: die ehrliche Budgetoption. Hohes Volumen, geringes Risiko, wo eine unbeholfene Unterbrechung nichts kostet, passt gut dazu. Von einer Rechnungs- oder Kündigungsleitung würde ich es allerdings fernhalten. Googles breiteres Angebot steht in Gemini-Alternativen.

Ein Migrationsdetail beißt unabhängig davon, in welche Richtung man wechselt. xAI hat das Event ...input_audio_transcription.delta von OpenAI in .updated umbenannt, und das Payload ist kumulativ statt inkrementell. Ein Client, der für OpenAI geschrieben wurde und jedes Event an einen Puffer anhängt, erzeugt so still ein Transkript, in dem jedes Wort wiederholt wird. Ein stiller Fehler. Die schlimmste Sorte.

Sechs vollständige Plattformwechsel

Eine ganz andere Art von Anschaffung. Was diese Anbieter verkaufen, ist die Orchestrierung rund um das Modell. Telefonie, Anrufprotokolle, Wissensdatenbanken, Testwerkzeuge, warme Weiterleitungen, und jemand, den man anrufen kann, wenn die Leitung ausfällt. Man zahlt pro Minute für das alles, und der Aufschlag gegenüber dem reinen Modell fällt größer aus, als die meisten Preisseiten erkennen lassen.

Ich habe mir auch Sierra angesehen und dann aus der nummerierten Liste herausgelassen. Die Abrechnung erfolgt pro gelöstem Gespräch statt pro Minute, und es gibt keine veröffentlichte Preistabelle, ein gleichwertiger Vergleich ist also nicht möglich. Die veröffentlichte tau-voice-Forschung des Unternehmens lohnt sich trotzdem zu lesen, ich zitiere sie weiter unten.

5. ElevenLabs Agents

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

Das ist der Zufall, der diesen Beitrag interessant zu schreiben gemacht hat. Jede Bezahlstufe von ElevenLabs Agents teilt sich fast genau auf $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 war Grok um 37,5% günstiger als ElevenLabs. Jetzt ist es auf den Cent genau dieselbe Zahl.

Die Entscheidung geht also nicht mehr um den Preis. Jetzt geht es um die Abrechnungsform. ElevenLabs-Minuten werden vorausbezahlt und verfallen; Grok wird nach Nutzung abgerechnet. Bei 500 Minuten im Monat kostet Grok $40, während die abdeckende ElevenLabs-Stufe der $99-Pro-Plan wäre, weshalb schwankendes oder geringes Volumen weiterhin die Pay-as-you-go-Variante begünstigt. Bei stetig hohem Volumen ist es eine Münzwurf-Entscheidung. Und über 12.375 Minuten im Monat geht ElevenLabs nur noch auf Anfrage.

Was das gleiche Geld kauft, ist beträchtlich. Telefonie steckt in jeder Stufe, auch der kostenlosen, ebenso Wissensdatenbanken und RAG, und die Konsole meldet ihre eigene Erfolgsquote (75,1% in der obigen Aufnahme), statt einen dazu selbst bauen zu müssen. Business erlaubt 40 gleichzeitige Anrufe gegenüber Groks Standard von 10. Ein Widerspruch auf der eigenen Website ist erwähnenswert: Der Text-to-Speech-Katalog wirbt mit über 70 Sprachen, während die Agentenkonfiguration nur 31 listet.

Preis: 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 ohnehin aus dem Preis abgeleitet wurden.

Fazit: der stärkste Rundum-Plattformwechsel hier, und der erste, den ich in die engere Auswahl nehmen würde, wenn ich Sprachqualität mit angeschlossener Konsole wollte. Bei schwankendem Traffic besser meiden: vorausbezahlte, verfallende Minuten bestrafen genau dieses Muster. Das breitere Feld steht in ElevenLabs-Alternativen.

6. Vapi

Am besten geeignet für: Entwickler, die jede Schicht des Stacks selbst auswählen und jeden Rechnungsposten sehen wollen.

Vapi berechnet $0.05/Min. für sein eigenes Hosting und reicht dann durch, was man für Speech-to-Text, Text-to-Speech, das Modell und die Telefonie wählt. Setzt man einen realistischen Support-Aufbau zusammen, landet man bei rund $0.105/Min., das heißt Vapis eigene Gebühr macht etwa 48% einer realistischen Minute aus. Bei der Telefonie sind Telnyx mit $0.0055/Min. und eingehende Anrufe über Twilio mit $0.008/Min. die günstigen Optionen. Concurrency kostet pauschal $10 pro Leitung, was mir gefällt. Es ist der einzige Anbieter hier, der genau dem einen Preis gibt, was Groks 10-Session-Limit begrenzt.

Zwei Dinge, mit denen man planen sollte. Der Visual-Workflows-Builder wird am 19. August 2026 abgeschaltet, alles, was dort gebaut wurde, braucht also einen Migrationspfad. Testanrufe werden ebenfalls zu Produktionstarifen abgerechnet, eine intensive Testwoche taucht also auf der Rechnung auf. Getrennt davon: Die Wissensdatenbank funktioniert nur per Datei-Upload mit ausschließlich Gemini-basierter Suche, und es gibt überhaupt keine Ticketing-Integrationen, alles, was das Helpdesk betrifft, wird also zur Eigenentwicklung.

Preis: $0.05/Min. Vapi-Hosting, $0.005/Nachricht bei SMS und Chat, plus Durchreichung je Anbieter. $10/Monat pro gleichzeitiger Leitung. Compliance-Add-ons separat bepreist.

Fazit: die richtige Wahl, wenn ein Entwickler Kontrolle und eine Tabellenkalkulation will. Die falsche Wahl, wenn der Anbieter die Stack-Entscheidungen für einen treffen soll, und ein echtes Risiko, wenn die Workflow-Logik im diesen Monat abgeschalteten Builder liegt. Für die Kategorien-Übersicht bietet KI-Sprachunternehmen das vollständige Feld.

7. Retell AI

Am besten geeignet für: Teams, die QA- und Compliance-Kontrollen als Schalter kaufen wollen, statt sie selbst zu bauen.

Retell wirbt mit $0.07 bis $0.31/Min. Die Zusammensetzung zählt mehr als die Spanne selbst. Die Sprachinfrastruktur kostet $0.055/Min. und ist unvermeidbar, mehr als die Hälfte der Kosten eines günstigen Aufbaus, bevor man auch nur eine Komponente ausgewählt hat. Kommen Plattform-Text-to-Speech für $0.015/Min. und ein Modell dazu, liegt ein realistischer Support-Agent bei rund $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 Sicherheits-Guardrails für $0.005/Min. sind ungewöhnlich feingranular und nützlich, wenn man in einer regulierten Branche unterwegs ist. KI-gestützte QA kostet $0.10/Min. und erhöht die Minute um etwa 74%, das ist also eine echte Budgetentscheidung und kein Häkchen zum Setzen. Retell erklärt SOC-2-Type-II-, HIPAA- und DSGVO-Compliance auf Plattformebene; der vertragliche BAA und MSA sind auf Enterprise beschränkt.

Zwei ehrliche Einschränkungen. Die Integration mit Zendesk wird als "demnächst" statt als ausgeliefert geführt, und es gibt überhaupt keinen Freshdesk- oder Gorgias-Connector, Helpdesk-Arbeit läuft also auf API-Klebearbeit hinaus. Der Zähler stoppt zudem bei der Weiterleitung, was großzügig ist, und zeigt, wo die Verantwortung des Produkts endet. Ich fand es gut, dass die eigene FAQ die Frage "Kann KI Callcenter-Agenten ersetzen?" mit einem klaren Nein beantwortet.

Preis: $0.055/Min. Sprachinfrastruktur, $0.015/Min. Plattform-Stimmen ($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 richtige Wahl, wenn Compliance-Kontrollen und Anruf-QA die Anforderung sind und man diese lieber kaufen als selbst bauen möchte. Zu meiden, wenn die Integrationsliste mit einem Helpdesk beginnt, denn genau dort liegt die Lücke. Retell AI-Alternativen deckt den Rest dieser Auswahl ab.

8. Bland AI

Am besten geeignet für: hohes Volumen bei ausgehenden Anrufen und Inbound zu einem gebündelten Tarif, mit einem 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. Ein Tarif, kein Stack, den man einzeln bepreisen müsste. Worauf ich Käufer hinweisen möchte: wo diese Pläne sich tatsächlich zu lohnen beginnen. Build schlägt Start erst ab 14.950 Minuten im Monat, und Scale erst ab 16.633. Unterhalb dieser Volumina ist die gebührenfreie Stufe trotz höherem Minutentarif günstiger. Bei 12.000 Minuten liegen die effektiven Tarife bei $0.148, $0.151 und $0.156, beide Bezahlpläne schneiden also schlechter ab.

Das eigentliche Unterscheidungsmerkmal: 99,9% Verfügbarkeit auf jeder Stufe, auch der kostenlosen, was hier niemand sonst bietet. Auch das Testen überzeugt. Der oben gezeigte Pathways-Builder lässt benannte Szenarien als Deploy-Gates laufen, einen problemlosen Verlauf und einen wütenden Anrufer, jeweils mit eigener Bewertung.

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 Fehlerquote von 34,8%, aufgeschlüsselt nach Tool. Genau hier verlieren Sprachagenten tatsächlich Substanz. Das Modell hat den Anrufer einwandfrei verstanden; die Kalenderabfrage hat null zurückgegeben. Die Zahlen jedes Anbieters sehen so aus. Nur Bland liefert das Dashboard, um es zu sehen.

Zwei Einschränkungen. Warme Weiterleitung ist Enterprise-exklusiv, und das Connector-Verzeichnis enthält 19 Einträge, ohne dass ein Helpdesk darunter wäre.

Preis: Start $0.14/Min., $0 Gebühr. Build $0.12/Min., $299/Monat. Scale $0.11/Min., $499/Monat. Enterprise als Vertrag. 99,9% SLA auf allen Stufen.

Fazit: die beste Wahl bei Volumen, und die Plan-Mathematik sagt, dass die meisten Teams deutlich länger bei Start bleiben sollten, als die Preisseite suggeriert. Rechne die 14.950-Minuten-Kalkulation durch, dazu die ROI-Rechnung für Callcenter, bevor du upgradest.

9. PolyAI

Am besten geeignet für: Enterprise-Telefonleitungen, bei denen die Verfügbarkeitsgarantie das Produkt ist.

PolyAI berechnet pro Minute und ausschließlich auf Anfrage, ich kann also keinen Tarif nennen. Was ich sagen kann: was im Angebot enthalten ist, nämlich genau das, was Modell-APIs strukturell nicht verkaufen können: ein 99,9% Telefon-SLA und eine 24/7-Notfallleitung. Grok Voice veröffentlicht keine Verfügbarkeitszusage und auch keinen Support-Kanal für einen Sprachausfall. Wenn eine schweigende Telefonleitung ein Umsatzereignis darstellt, entscheidet genau dieser Unterschied alles.

Zertifizierungen sind hier nicht nach Stufe gestaffelt, was in dieser Kategorie ungewöhnlich ist. Ein mittelgroßer Käufer landet bei derselben Compliance-Aufstellung wie ein großer. Agent Studio, in der obigen Aufnahme, ist ein konversationeller Builder: Man beschreibt die Änderung und testet sie dann in einer Sandbox mit laufendem Kostenzähler, statt Knoten zu verschieben.

Preis: nur auf Anfrage, pro Minute, SLA und Notfall-Support inbegriffen. Zertifizierungen nicht stufenabhängig.

Fazit: der Kandidat für die engere Auswahl bei einer regulierten oder umsatzstarken Telefonleitung. Für ein kleines Team, das diesen Monat noch launchen will, lohnt sich der Vertriebszyklus nicht, und der fehlende veröffentlichte Tarif erschwert die Budgetierung. Callcenter-Technologie zeigt, wo diese Ebene ihren Platz hat.

10. Parloa

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

Fairer Hinweis zu diesem Bild. Parloa veröffentlicht keine Screenshots der tatsächlichen Anwendung, was oben zu sehen ist, ist die eigene Illustration der Gesprächsansicht des Unternehmens, kein echter Screenshot. Für einen Käufer ist das ein reales Fundstück, und ich würde mir wünschen, dass es offengelegt wird, wenn ich selbst bewerten würde.

Parloa steht trotzdem auf der Liste, wegen einer Spalte, die sonst niemand füllen kann. Es ist der einzige Anbieter hier, dessen Simulation deine echten historischen Transkripte abspielt, gemischt mit synthetischen Szenarien, mit Ursachenverfolgung plus Korrekturen auf Zeilenebene direkt in der Plattform. Die "Simulation" aller anderen lässt Szenarien laufen, die man selbst geschrieben hat, testet also die eigene Vorstellungskraft und nicht das eigene Anrufaufkommen. Schon mal einen Agenten gelauncht, der jeden selbst ausgedachten Test bestanden hat und dann beim ersten echten Anrufer versagt hat? Dann weiß man bereits, was dieser Unterschied wert ist.

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

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

Fazit: bei einer großen Migration würde ich das hier am stärksten forcieren, weil Tests gegen echte Historie vor dem Launch den Unterschied zwischen einem kontrollierten Rollout und einem öffentlichen Vorfall ausmachen. Für ein kleines Team, das schnell vorankommen will, passt es schlecht, zwischen Vertriebszyklus und fehlender Preistabelle. Egal, wofür man sich entscheidet, es sollte mit bewusstem Handoff-Design kombiniert werden.

Was keiner dieser zehn tatsächlich löst

Das ist der Teil, der mir am meisten am Herzen liegt. Er stammt aus der Arbeit in einer Support-Queue, nicht aus dem Lesen von Benchmark-Tabellen.

tau-Voice ist ein Support-Benchmark, kein allgemeiner Audiotest. Ein simulierter Anrufer ruft das Modell mit einem echten Problem an, und die Bewertung ist, ob die Datenbank am Ende im korrekten Endzustand landete. Wortwörtlich "wurde das Problem des Kunden gelöst". Beste Wertung in der gesamten Tabelle: Grok Voice Think Fast 2.0, 56,5%. Jede Anbieterseite in diesem Beitrag bewirbt 70% bis 95% Containment.

Zwei Richtungen bestätigen diese Lücke. Sierras tau-voice-Forschung findet, dass jeder Anbieter beim Übergang von sauberem Text zu realistischem Telefonaudio 5 bis 14 Prozentpunkte verliert, und schreibt 79% der ersten kritischen Fehler dem Agenten statt dem Anrufer zu. Contact-Center-Betreiber auf Reddit setzen die reale vollständige Automatisierung bei 15% bis 30% an. Das deckt sich mit dem, was ich bei der automatisierten Ticketlösung auf der Text-Seite beobachte.

Speziell zu Grok fällt die Stimmung in der Community wärmer aus, als meine Zahlen nahelegen. Beide Zitate lohnen sich zu lesen:

"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 stimmt. Keins ändert etwas an den 56,5%. Das Modell ist das beste verfügbare, und trotzdem schließt es nur knapp über die Hälfte der Support-Aufgaben ab.

Bevor man also ein Quartal in diese Entscheidung investiert, wäre meine Frage: Wie viele dieser Anrufe existieren, weil irgendwo weiter vorn im Prozess nie eine Antwort erfolgte? In eesels eigener Kundenforschung stoße ich immer wieder auf das Muster, das genau umgekehrt zu dem ist, 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-Outsourcing-Dienstleister für Immobilienverwaltung, der die KI als Zendesk-Copilot einsetzt

Lies das noch einmal. Der Engpass war nicht der Sprachbot. Der Anrufinhalt gelangte nie zur Text-KI, sodass ein Mensch jedes Telefongespräch neu abtippen musste, bevor Automatisierung überhaupt daran herankam. Das ist die reale Gestalt von Sprache in der Support-Arbeit. Anrufe und Tickets sind eine Queue in zwei Kostümen, und der teure Kanal ist der, den alle zuerst automatisieren wollen.

Die günstigere Reihenfolge, meist: die Textkanäle automatisieren kommt vor der Telefonleitung. Dann First Response, und Sprache zuletzt. Noch dabei, die Kategorie einzuordnen? KI-Agenten gegenüber Chatbots ist der klarste Einstiegspunkt.

Die Budgetfrage verdient dieselbe Sorgfalt. Eine Sprachminute für $0.08 bis $0.14 lässt sich nicht mit einem gelösten Ticket vergleichen, rechne die Zahlen für KI-Agent gegenüber menschlichem Agenten also gegen dein eigenes Volumen statt gegen einen Anbieter-Rechner. Ein modernes KI-Helpdesk bewältigt pro Dollar deutlich mehr Volumen als jeder Telefonagent in dieser Liste. Und KI-Kundenservice-Software ist dort, wo der Großteil dieser Ausgaben zuerst hingehört.

eesel für die Tickets hinter den Anrufen ausprobieren

Ehrlich gesagt: eesel steht nicht auf dieser Liste, weil eesel weder ein Sprachmodell noch eine Telefonleitung verkauft. Was es tut, ist der Kanal, der die Telefonleitung speist.

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

Es gibt außerdem einen Front-Connector sowie Slack und den Rest des Stacks. Es funktioniert als Schicht konversationeller KI über dem jeweils genutzten Helpdesk, nicht als Ersatz dafür.

Der Teil, der für alles oben Gesagte relevant ist: Wir simulieren jedes Rollout gegen die eigenen historischen Tickets, bevor es auch nur einen einzigen echten Kunden beantwortet. Das gibt es, weil wir gesehen haben, wie ein selbstbewusst klingender Bot eine falsche Antwort gegeben hat. Bei einem Telefonanruf gibt es keinen Entwurf zum Gegenlesen, nichts, was man zurücknehmen könnte. Dieselbe Disziplin, für die Parloa Enterprise-Preise verlangt, und der Grund, warum ich keinen Kanal ohne sie launchen würde.

Die Abrechnung erfolgt pro Lösung statt pro Sitzplatz, ein ruhiger Monat kostet also tatsächlich weniger statt genauso viel. eesel testen ist kostenlos, oder eine Demo buchen, wenn man es lieber erst gegen die eigene Ticket-Historie laufen sehen möchte.