Grok Voice Think Fast 2.0 Preise: Was $0.08/Min. wirklich kostet

Die komplette Grok-Voice-Preisliste, wie sie heute veröffentlicht ist

Hier ist alles aus dem Voice-API-Abschnitt der xAI-Preisliste, plus die Telefonie-Zeile, die stattdessen in der Ankündigung des Voice Agent Builders steht. Ich habe auch die eigenständigen Transkriptions- und Synthese-Preise aufgenommen, weil viele Teams immer noch eine zusammengesetzte Pipeline betreiben und die beiden Ansätze vergleichen wollen.

Zwei Dinge an dieser Tabelle sind es wert, ausdrücklich erwähnt zu werden, denn das sind die Punkte, die beim Budgetieren am häufigsten falsch verstanden werden.

Der Audio-Zähler wird auf der Modellkarte so beschrieben, dass er pro Minute „gesendetes oder empfangenes" Audio abrechnet, was klingt, als könnte er ein Zwei-Wege-Gespräch doppelt zählen. Das scheint aber nicht der Fall zu sein. Artificial Analysis hat die Kosten pro Stunde Eingabeaudio für dieses Modell mit genau $4.80 gemessen, das ist $0.08 mal sechzig, sodass sich der Zähler in ihrem Test wie eine einzelne Sitzungsdauer verhielt und nicht wie eine Summe aus beiden Richtungen. Ich würde trotzdem die erste Rechnung im Auge behalten, statt mir das nur auf mein Wort hin zu glauben.

Auch der Text-Eingabe-Zähler ist enger gefasst, als er aussieht. xAI berechnet $0.004 pro gesendetem conversation.item.create-Event, aber function_call_output-Elemente werden nicht abgerechnet, und response.create ist überhaupt kein abrechenbares Event. Ein gesprächiger, toolnutzender Agent sammelt also keine Text-Eingabe-Kosten für jedes Tool-Ergebnis, das er zurückgibt – das war die Annahme, mit der ich gestartet bin und die falsch war.

Der Wechsel am 5. August, in Dollar

Das ist der einzige Grund, warum dieser Beitrag heute erscheint und nicht letzte Woche.

xAIs eigene Launch-Notiz ist direkt: Am 5. August 2026 wechselt grok-voice-latest von grok-voice-think-fast-1.0 zu grok-voice-think-fast-2.0, kein Handeln nötig für das Upgrade, und um beim alten Modell zu bleiben, fixiert man vorher grok-voice-think-fast-1.0. Was die Notiz nicht tut, ist eine Prozentzahl daneben zu setzen, und die Prozentzahl lautet 60% pro Minute.

Die Doku befindet sich gerade mitten im Wechsel, was ich insgeheim ziemlich witzig fand. Die Modelltabelle im Speech-to-Speech-Guide beschreibt den Alias noch so, als würde er auf 1.0 zeigen und am 5. August aktualisiert – während ein Absatz weiter unten auf derselben Seite schon sagt, er „zeigt immer auf das neueste Modell (derzeit grok-voice-think-fast-2.0)". Beide Aussagen waren an unterschiedlichen Tagen wahr. Keine sagt dir, was das für deine Rechnung bedeutet.

Direkt daneben, im selben Launch-Post, steht der Satz, mit dem xAI seinen Preisabschnitt eröffnet: „Wir glauben, dass Preise vorhersehbar und transparent sein sollten." Ich finde, das lässt sich hier durchaus vertreten. Sie haben 1.0 zum alten Preis weiter gelistet, eine datierte Ankündigung gegeben und den Opt-out dokumentiert. Das ist mehr Vorwarnung, als die meisten Modell-Neupreisungen bekommen. Es ist nur nicht dasselbe wie eine vorhersehbare Rechnung, denn der Standardpfad hat sich geändert, und dort läuft der größte Teil des Produktions-Traffics.

Was der Aufkleberpreis nicht zeigt

Jede Sprach-Preisliste in dieser Kategorie hat das gleiche Muster: Die Schlagzeilen-Zahl ist das einzige auf der Rechnung, das keine Überraschung ist. Hier ist ein einzelner sechsminütiger Support-Anruf, Zeile für Zeile durchgerechnet.

• Audio: 6 Min. x $0.08 = $0.48
• Bereitgestellte Telefonnummer: 6 Min. x $0.01 = $0.06
• Zwei Websuchen: 2 x $0.005 = $0.01
• Eine Collections-Abfrage: 1 x $0.0025 = $0.0025
• Drei Text-Eingaben: 3 x $0.004 = $0.012

Das sind $0.5645 gegenüber einem Aufkleberpreis von $0.48, also rund 18% mehr. Nicht katastrophal, und ehrlich gesagt eines der besseren Verhältnisse in dieser Kategorie, weil xAIs Tool-Preise günstig und der Sprachpreis flach sind. Aber es skaliert linear, und 18% auf eine monatliche Sprachrechnung von $3,200 sind $576, die niemand in die Prognose eingerechnet hat.

Die Zeile, die ich am genauesten modellieren würde, ist web_search. Bei $5 pro 1.000 Aufrufen sieht das nach Rundungsfehler aus, bis man sich erinnert, dass ein agentisches Modell selbst entscheidet, wie viele Tools es aufruft. xAI sagt das auf der Preisseite ganz klar: Die Kosten skalieren mit der Komplexität der Anfrage, weil der Agent selbst wählt. Der Reasoning-Aufwand steht bei diesem Modell standardmäßig auf "high", und während Reasoning-Tokens auf dem Sprachzähler nicht separat gemessen werden, greift ein Modell, das intensiver nachdenkt, auch häufiger zu Tools.

Was die zusätzlichen drei Cent tatsächlich bringen

Ich würde nicht 60% mehr für einen runderen Benchmark zahlen, also hier die ehrliche Einschätzung, was sich wirklich verändert.

Lies diese Spalte der Veränderungen als Muster, nicht als Punktzahl. Sprach-Reasoning hat sich nicht bewegt – wenn die Aufgabe deines Agenten also darin besteht, einen Satz zu verstehen und eine Antwort vorzulesen, zahlst du 60% mehr für nichts, das du bemerken würdest. Was sich bewegt hat, ist die Gesprächsdynamik, plus 17.3 Punkte – also der Umgang mit Unterbrechungen, Barge-in, das Erkennen, wann der Anrufer fertig ist, sowie die Latenz, gesunken auf 0.70 Sekunden. Das sind die zwei Dinge, die einen Telefonanruf wie einen Telefonanruf wirken lassen und nicht wie einen Kiosk.

Die Agentic Performance stieg um 4.4 Punkte auf 56.5%. Das ist der höchste veröffentlichte Wert in der Artificial-Analysis-Speech-to-Speech-Tabelle, und es ist immer noch eine Fehlerrate von 43.5% bei schwierigen agentischen Szenarien – die Zahl, die ich jedem vorlegen würde, der mit voller Automatisierung plant. Das ist auch der Grund, warum die Resolution Rate, mit der du planst, aus deinem eigenen Traffic stammen sollte und nicht aus einer Bestenliste.

Zwei Entwickler auf Hacker News kamen aus entgegengesetzten Richtungen zur gleichen Einschätzung. Einer bewertete das Modell nach Gefühl:

„Grok Voice ist der beste Sprach-KI-Assistent, und es ist nicht mal knapp. Das Verhältnis zwischen Geschwindigkeit und Intelligenz stimmt einfach."

simianwords, Hacker News

Und im Thread zu Think Fast 2.0 selbst rahmte der meistgevotete Kommentar es gegen den etablierten Spezialisten:

„Weiß nicht, warum dieser Beitrag nicht populärer ist, das ist ein Sprachmodell auf SOTA-Niveau, das spezialisierte Labs wie ElevenLabs schlägt."

haaz, Hacker News

Das ist eine gute Brücke, denn ElevenLabs bei der Qualität zu schlagen ist eine andere Frage als beim Preis, und Stand heute laufen diese beiden Antworten auseinander.

Grok-Voice-Preise im Vergleich zum Rest des Feldes

Artificial Analysis veröffentlicht die gemessenen Kosten pro Stunde Eingabeaudio für die gesamte Speech-to-Speech-Kategorie – die einzige wirklich vergleichbare Spalte, wenn die eine Hälfte der Anbieter pro Token und die andere pro Minute abrechnet.

Vier Dinge in dieser Tabelle sind wichtiger als das Ranking.

Grok ist nicht das billigste gute Modell, und es ist auch nicht das beste Modell. Alibabas Qwen Audio 3.0 Realtime Plus erreicht mit 84.1% einen höheren Wert und ist mit $4.42/Std. günstiger gemessen. Sein Problem ist die letzte Spalte: 4.02 Sekunden bis zum ersten Audio, gegenüber 0.70. Auf einer Telefonleitung ist das toter Ton, über den ein Anrufer hinwegredet. Groks eigentliches Argument ist die Kombination aus Index und Latenz, und bei dieser Kombination hat es in der Tabelle keinen Konkurrenten.

Der Festpreis ist das unterschätzte Feature. Groks gemessene $4.80 sind identisch mit dem Listenpreis, weil der Listenpreis pro Minute flach ist. OpenAIs GPT-Realtime-2 listet $1.15 pro Stunde Eingabeaudio und $4.61 pro Stunde Ausgabe und misst $4.14 insgesamt, sodass der Eingabepreis, den man einem CFO nennen würde, nur rund 28% von dem ist, was man tatsächlich zahlt. Diese Lücke ist kein Trick, es ist einfach das, was Abrechnung pro Audio-Token bewirkt, und deshalb sind GPT-Realtime-Budgets eher Schätzungen als feste Zahlen.

Reasoning herunterzudrehen spart nicht zuverlässig Geld. GPT-Realtime-2.1 Minimal misst $11.31/Std., mehr als die High-Variante mit $10.75, bei gleichzeitig 6.6 Punkten niedrigerer Punktzahl. Wer davon ausging, dass ein niedrigerer Reasoning-Aufwand bei Sprache ein Kostenhebel ist, findet in dieser Zeile das Gegenbeispiel.

Latenz hat ihren eigenen Preisboden. Deepslate Opal ist mit 0.44s das schnellste gemessene Modell und kostet $6.48/Std. bei 62.8% Punktzahl. Schnell lässt sich für sich allein kaufen; schnell und intelligent ist das, wofür der Grok-Preis steht.

Erwähnenswert ist, was diese Tabelle nicht enthält: die Plattformebene. Orchestrierungs-Anbieter wie Retell AI berechnen eine Plattformgebühr zusätzlich zu welchem Modell auch immer sie ansteuern, sodass ihr Preis pro Minute und die obigen Zahlen keine vergleichbaren Größen sind.

Vapi und Hume berechnen ihre Preise genauso. Ich habe beide im Überblick zu KI-Sprachunternehmen durchgerechnet, und das Muster hält sich: Ein Modellpreis und ein Plattformpreis sind unterschiedliche Produkte, die dieselbe Einheit tragen.

Der Vergleich mit ElevenLabs verdient einen eigenen Absatz, denn das ist der, der sich heute gedreht hat. Die Agenten-Pläne von ElevenLabs sind vorausbezahlte Minutenkontingente: $6 für 75 Minuten, $22 für 275, $99 für 1,238, $299 für 3,738, $990 für 12,375. Teilt man eines davon, landet man fast genau bei $0.08 pro enthaltener Minute über jede kostenpflichtige Stufe hinweg – Groks neuer Preis, auf den Cent genau. Bis heute Morgen unterbot Grok das um 37.5%. Was bleibt, ist ein Unterschied in der Abrechnungsform statt im Preis: ElevenLabs-Minuten sind vorausbezahlt und verfallen, Groks Minuten sind Pay-as-you-go, sodass eine Linie mit sprunghaftem oder saisonalem Volumen bei Grok weiterhin vorne liegt, während eine Linie, die den ganzen Monat auf Volllast läuft, jetzt Kopf oder Zahl ist. Bei Cartesia Sonic 3 und dem Rest des spezialisierten Feldes stellt sich die gleiche Frage zur Abrechnungsform.

Die Limits, die mehr kosten als die Preisliste

Diese sind mir wichtiger als der Preis pro Minute, denn mit einem Preis, den man vorhersagen kann, lebt es sich leichter als mit einer Grenze, an die man um 16 Uhr am Black Friday stößt.

Zehn gleichzeitige Sitzungen pro Team. Das ist der veröffentlichte Standard auf der Modellkarte, mit höheren Limits auf Anfrage. Zehn gleichzeitige Anrufe sind eine kleine eingehende Warteschlange. Wer eine echte Telefonleitung dimensioniert, sollte den Concurrency-Antrag vor der Kreditkarte stellen, nicht danach.

Maximale Sitzungslänge von 120 Minuten. Für Support ausreichend, aber gut zu wissen, falls man Pläne für langlaufende Assistenten hatte.

Kein Batch-Rabatt und keine Prioritätsstufe bei Sprache. xAIs 20%-Batch-Rabatt gilt nur für bestimmte Textmodelle, und Priority Processing mit 2x ist auf Chat Completions und Responses beschränkt. Bei Sprache gibt es weder eine Rabattspur noch eine bezahlte Schnellspur, was zu einem flachen Echtzeit-Zähler passt, aber zwei Hebel entfernt, die man auf der Textseite eventuell hätte.

Speicherung wird separat abgerechnet, wenn dein Agent Retrieval betreibt. Collections kosten $0.10 pro GiB und Tag, Dateien $0.025, Downloads $0.20 pro GiB. Bei einer kleinen Wissensdatenbank gering, aber eine eigene Zeile im Modell wert, wenn man ein ganzes Helpcenter für mehrsprachigen Support synchronisiert.

Es gibt eine Gebühr von $0.05 für blockierte Anfragen. Wenn eine Responses-API-Anfrage vor der Generierung dabei erwischt wird, die Nutzungsrichtlinien zu verletzen, berechnet xAI $0.05. Keine sprachspezifische Zeile, aber genau die Art von Posten, die auf einer großen Rechnung als unerklärlicher Rundungsfehler auftaucht.

Eine Region. Speech-to-Speech läuft nur in us-east-1, was eher eine Latenz- und Datenresidenz-Tatsache ist als ein Preis – wird aber zu einem Preis, sobald eine Einkaufsprüfung danach fragt.

Wo die Preisfrage tatsächlich landet

Hier ist die Entscheidung, die ich treffen würde, wenn all das auf dem Tisch liegt.

Wenn du eine eingehende Telefonleitung betreibst, auf der Anrufer unterbrechen, ihre Meinung ändern und erwarten, dass der Agent tatsächlich etwas erledigt, ist der Preis von $0.08 fair, und der Alias-Wechsel ist eine Preiserhöhung, die sich lohnt. Gesprächsdynamik plus 17.3 Punkte und eine Latenz von 0.70 Sekunden sind die zwei Dinge, die Anrufer spüren, und kein anderes Modell in der Tabelle kombiniert das mit einem Index von 82.9%.

Wenn dein Sprachagent nur Bestellstatus vorliest, fixiere heute grok-voice-think-fast-1.0 und bleib beim Preis von $0.05. Sprach-Reasoning lag bei 1.0 schon bei 97.1%. Für die Aufgabe, die du tatsächlich hast, lässt du keine Qualität liegen, und bei 10,000 Minuten im Monat ist das Fixieren $300 wert.

Wenn du die Leitung noch nicht gebaut hast, ist die Zahl, die du modellieren solltest, überhaupt nicht der Preis pro Minute. Es sind die Kosten pro gelöstem Anliegen, und das bedeutet zu wissen, welcher Anteil der Anrufe ohne Menschen endet. Das ist die gleiche Rechnung, die jedem Call-Center-ROI-Fall zugrunde liegt, und es lohnt sich, das neben die Basislinie der Kosten von KI gegenüber menschlichen Agenten zu legen, bevor man irgendetwas unterschreibt.

Eine weichere Zahl gehört ebenfalls in dieses Modell. Ein schnellerer, weniger unterbrechbarer Agent bewegt den CSAT, und CSAT ist das, was verhindert, dass eine billige automatisierte Leitung dich leise Kunden kostet. Es ist die schwierigste Zeile, die man vorhersagen kann, und die einfachste, die man bemerkt, sobald sie abrutscht.

Die Sprachrechnung ist die kleinere Hälfte des Problems

Ich baue eesels SEO auf und lese die Sales-Notizen, und die Preisgespräche, die schiefgehen, gehen fast nie an einem Preis pro Minute schief. Sie gehen an der Einheit schief.

Ich habe es von beiden Enden der Volumenkurve gehört. Ein Ops-Lead bei einem Auszahlungs- und Geldtransfer-Fintech auf Zendesk, mit 7,000 bis 8,000 eskalierten Tickets im Monat, sagte mir, dass Preise pro Interaktion neben sitzungsbasierter Abrechnung nicht in Frage kamen, weil der Zähler bei rund vier Austauschen pro Ticket das Gespräch viermal zählt. Ein Multi-Company-E-Commerce-Betreiber, der auf 150,000 Tickets im Monat zusteuerte, prognostizierte rund $30,000 im Monat bei 20 Cent pro Ticket und verbrachte den Großteil eines Gesprächs damit, herauszufinden, ob die Einheit eine Interaktion oder ein Ticket war. Keines dieser beiden war ein Argument darüber, ob der Preis zu hoch war. Beide waren Argumente darüber, was der Preis überhaupt zählte.

Das ist die Linse, durch die ich Groks Preisliste betrachten würde, und dabei sieht sie gut aus. Ein flacher Audio-Zähler pro Minute ist die verständlichste Einheit in dieser Kategorie. Es ist außerdem strukturell eine Einheit, die dich für Zeit abrechnet statt für Ergebnisse – genau die richtige Einheit für einen Telefonanruf und genau die falsche für eine Ticket-Warteschlange.

Kalkulierst du eine Grok-Voice-Leitung? Die andere Hälfte dieser Tabelle ist das E-Mail- und Chat-Volumen, das nie das Telefon klingeln lässt, und das nicht pro Minute abgerechnet wird. eesel ist ein KI-Helpdesk-Agent, der pro tatsächlich gelöstem Ticket abrechnet, sich in wenigen Minuten mit Freshdesk oder Gorgias verbindet und mit deinen vergangenen Tickets trainiert statt mit einem Website-Crawl.

Der Teil, der für eine Prognose zählt: Es führt eine Deflection-Simulation gegen deine echte Ticket-Historie durch, bevor es einem echten Kunden antwortet, sodass die Resolution Rate, die du in die Tabelle eintragen, eine ist, die du auf deiner eigenen Warteschlange gemessen hast, und keine, die du von einer Bestenliste ausgeliehen hast. Probiere eesel kostenlos aus, oder sieh dir zuerst die Preise an, da das offenbar die Seite ist, die über alles entscheidet.

Was ich tun würde, bevor die Rechnung kommt

Drei konkrete Schritte, in der Reihenfolge, in der ich sie machen würde.

1. Grep nach grok-voice-latest. Wenn es im Produktionscode steht, bist du seit heute auf dem neuen Preis. Entscheide, ob das ist, was du willst, und fixiere dann in jedem Fall eine Version – xAIs eigene Doku empfiehlt genau deshalb das Fixieren für die Produktion.
2. Prognostiziere neu, mit Tool-Aufrufen im Modell. Nimm die Minuten des letzten Monats, addiere 15% bis 20% für Tool-Aufrufe und Telefonie, und prüfe die Zahl gegen den Rechner oben. Die Audio-Zeile ist nie die ganze Zeile.
3. Beantrage die Concurrency-Erhöhung, bevor du sie brauchst. Zehn gleichzeitige Sitzungen sind der Standard, nicht die Obergrenze. Eine Erhöhung ist eine Anfrage, und Anfragen brauchen länger als Traffic-Spitzen.

Nichts davon ist ein Grund, das Modell zu vermeiden. Think Fast 2.0 ist das stärkste agentische Sprachmodell mit veröffentlichten Zahlen, und bei gemessenen $4.80 pro Stunde kostet es weniger als die Hälfte von OpenAIs bester Realtime-Stufe. Es ist nur ein Grund, zu wissen, welcher deiner Modell-Strings ein bewegliches Ziel ist, und was deine Rechnung tut, wenn es sich bewegt. Die gleiche Disziplin gilt für den Umgang mit Eskalationen und für das Verhindern falscher Antworten: Der Standard ist selten die Einstellung, die man absichtlich gewählt hätte.

Für den Rest dieses Themenclusters deckt der Think-Fast-2.0-Überblick, was sich am Modell selbst geändert hat. Der Beitrag zu den Voice-Agent-Builder-Preisen deckt die No-Code-Plattform darüber ab, und es gibt einen praktischen Builder-Review, falls du den Workflow statt der Preisliste willst.

Noch unentschlossen, ob Sprache überhaupt der richtige Kanal ist? Starte mit Kann KI Support-Anrufe beantworten, dann mit dem umfassenderen Erklärstück zu KI-Telefonanrufen.

Wenn deine Anrufer dich schon über ein Helpdesk-Telefonprodukt wie Zendesk Talk erreichen, kommt die Build-versus-Buy-Frage vor der Preis-pro-Minute-Frage. Mein Überblick zur Support-Automatisierung ist der Shortcut dorthin.