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

Die komplette Grok-Voice-Preisliste, wie heute veröffentlicht

Hier ist alles aus dem Voice-API-Abschnitt der xAI-Preisliste, plus die Telefonie-Zeile, die stattdessen in der Ankündigung des Voice Agent Builder steht. Auch die eigenständigen Transkriptions- und Sprachsynthese-Tarife sind enthalten, denn viele Teams betreiben weiterhin eine zusammengesetzte Pipeline und wollen die beiden Ansätze vergleichen.

Zwei Dinge an dieser Tabelle sind es wert, ausgesprochen zu werden, denn genau da liegen die Punkte, bei denen Teams sich bei der Budgetierung verrechnen.

Der Audio-Zähler wird auf der Modellkarte so beschrieben, dass pro Minute "gesendetem oder empfangenem" Audio abgerechnet wird, was klingt, als könnte ein Zweiwege-Gespräch doppelt gezählt werden. Das scheint nicht der Fall zu sein. Artificial Analysis maß die Kosten pro Stunde Eingabe-Audio für dieses Modell mit genau $4.80, also $0.08 mal sechzig, sodass sich der Zähler in ihrem Test wie eine einzige Sitzungsdauer verhielt und nicht wie eine Summe beider Richtungen. Trotzdem würde ich mir die erste Rechnung selbst ansehen, statt mir das nur sagen zu lassen.

Auch der Text-Eingabe-Zähler ist enger gefasst, als er aussieht. xAI berechnet $0.004 pro gesendetem conversation.item.create-Ereignis, aber function_call_output-Elemente werden nicht abgerechnet, und response.create ist überhaupt kein abrechenbares Ereignis. Ein Tool-lastiger, gesprächiger Agent häuft also keine Text-Eingabekosten für jedes zurückgegebene Tool-Ergebnis an, was die Annahme war, mit der ich gestartet bin und die sich als falsch herausstellte.

Der Wechsel am 5. August, in Dollar

Das ist der ganze Grund, warum dieser Artikel heute und nicht letzte Woche entsteht.

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, keine Aktion für das Upgrade nötig, und um beim alten Modell zu bleiben, muss vorher grok-voice-think-fast-1.0 gepinnt werden. Was die Notiz nicht tut, ist, eine Prozentzahl daneben zu setzen, und diese Prozentzahl ist 60% pro Minute.

Die Dokumentation befindet sich gerade mitten im Wechsel, was ich leise amüsant fand. Die Modelltabelle im Speech-to-Speech-Guide beschreibt den Alias noch so, dass er auf 1.0 zeigt und am 5. August aktualisiert wird, während ein Absatz weiter unten auf derselben Seite bereits sagt, er "zeigt immer auf das neueste Modell (aktuell grok-voice-think-fast-2.0)". Beides stimmte an unterschiedlichen Tagen. Keines davon sagt etwas darüber, was mit der Rechnung passiert.

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 halte das hier für tatsächlich vertretbar. Sie haben 1.0 zum alten Tarif weiter veröffentlicht, einen datierten Hinweis gegeben und den Opt-out dokumentiert. Das ist mehr Vorwarnung, als die meisten Modell-Repricings bekommen. Es ist nur nicht dasselbe wie eine vorhersehbare Rechnung, denn der Standardpfad hat sich verschoben, und genau dort läuft der Großteil des Produktions-Traffics.

Was der Listenpreis auslässt

Jede Sprach-Preisliste in dieser Kategorie hat dasselbe Erkennungszeichen: Die Hauptzahl ist das Einzige auf der Rechnung, das keine Überraschung ist. Hier ist ein einzelner sechsminütiger Support-Anruf, Zeile für Zeile berechnet.

• 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 Listenpreis von $0.48, rund 18% mehr. Nicht katastrophal, und ehrlich gesagt eines der besseren Verhältnisse in dieser Kategorie, weil xAIs Tool-Tarife günstig und der Sprachtarif flach ist. Aber es skaliert linear, und 18% auf eine monatliche Sprachlinie von $3.200 sind $576, die niemand in der Prognose hatte.

Die Zeile, die ich am genauesten modellieren würde, ist web_search. Bei $5 pro 1.000 Aufrufen wirkt das wie Rundung, bis man sich erinnert, dass ein agentisches Modell selbst entscheidet, wie viele Tools es aufruft. xAI schreibt das auf der Preisseite ganz offen: Die Kosten skalieren mit der Komplexität der Anfrage, weil der Agent wählt. Der Reasoning-Aufwand ist bei diesem Modell standardmäßig auf "high" gesetzt, und obwohl Reasoning-Tokens beim Sprach-Zähler 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 tatsächlich bewegt.

Diese Spalte der Veränderungen sollte man als Muster lesen, nicht als Punktzahl. Sprach-Reasoning hat sich kaum bewegt, wer also einen Agenten hat, der nur einen Satz verstehen und eine Antwort vorlesen muss, zahlt 60% mehr für etwas, das gar nicht auffällt. Bewegt hat sich die Konversationsdynamik, um 17.3 Punkte nach oben, also Interrupt-Handling, Barge-in, das Erkennen, wann der Anrufer fertig gesprochen hat, sowie die Latenz, die auf 0.70 Sekunden sinkt. Das sind die zwei Dinge, die einen Telefonanruf wie einen echten Anruf wirken lassen statt wie einen Kiosk.

Die agentische Leistung stieg um 4.4 Punkte auf 56.5%. Das ist die höchste veröffentlichte Zahl in der Artificial Analysis-Speech-to-Speech-Tabelle, und trotzdem bleibt es eine Fehlerquote von 43.5% bei schwierigen agentischen Szenarien, was die Zahl ist, die ich jedem vorlegen würde, der für vollständige Automatisierung budgetiert. Es ist auch der Grund, warum die Lösungsquote, mit der man plant, aus dem eigenen Traffic stammen sollte und nicht von einem Leaderboard.

Zwei Entwickler auf Hacker News kamen aus entgegengesetzten Richtungen zur selben Einschätzung. Der eine bewertete das Modell nach Gefühl:

"Grok voice is the best voice AI voice assistant and it's not even close. The speed + intelligence tradeoff is just right."

simianwords, Hacker News

Und im Think-Fast-2.0-Thread selbst rahmte der meistbewertete Kommentar es gegen den etablierten Spezialisten ein:

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

haaz, Hacker News

Das ist eine gute Überleitung, denn ElevenLabs bei der Qualität zu schlagen ist eine andere Frage, als es beim Preis zu schlagen, und ab heute gehen diese beiden Antworten auseinander.

Grok-Voice-Preise im Vergleich zum restlichen Feld

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

Vier Dinge in dieser Tabelle sind mehr wert als das Ranking selbst.

Grok ist nicht das billigste gute Modell, und es ist auch nicht das beste Modell. Alibabas Qwen Audio 3.0 Realtime Plus erzielt mit 84.1% eine höhere Punktzahl und misst mit $4.42/Std. günstiger. Sein Problem steckt in der letzten Spalte: 4.02 Sekunden bis zum ersten Audio, gegenüber 0.70. Auf einer Telefonleitung ist das tote Luft, über die ein Anrufer hinwegredet. Groks eigentliches Argument ist die Kombination aus Index und Latenz, und in dieser Kombination hat es in der Tabelle keine Konkurrenz.

Der Flatrate-Tarif ist die unterschätzte Eigenschaft. Groks gemessene $4.80 sind identisch mit dem Listenpreis, weil der Listenpreis selbst flach pro Minute ist. OpenAIs GPT-Realtime-2 listet $1.15 pro Stunde Eingabe-Audio und $4.61 pro Stunde Ausgabe, misst aber insgesamt $4.14, sodass der Tarif, den man einem CFO vorlegen würde, nur etwa 28% dessen ist, was man tatsächlich zahlt. Diese Lücke ist kein Trick, sondern schlicht das, was Token-basierte Audio-Abrechnung bewirkt, und deshalb sind GPT-Realtime-Budgets eher Schätzungen als Zahlen.

Reasoning herunterzudrehen spart nicht zuverlässig Geld. GPT-Realtime-2.1 Minimal misst $11.31/Std., mehr als die $10.75 der High-Variante, bei 6.6 Punkten niedrigerer Punktzahl. Wer annahm, ein niedrigerer Aufwands-Regler sei bei Sprache ein Kostenhebel, findet in dieser Zeile das Gegenbeispiel.

Latenz hat ihre eigene Preisuntergrenze. Deepslate Opal ist mit gemessenen 0.44s das schnellste, kostet $6.48/Std. und erzielt 62.8%. Geschwindigkeit lässt sich für sich allein kaufen; schnell und zugleich intelligent ist der Grund für Groks Tarif.

Erwähnenswert ist, was diese Tabelle nicht enthält: die Plattform-Ebene. Orchestrierungsanbieter wie Retell AI berechnen eine Plattformgebühr zusätzlich zu welchem Modell auch immer sie ansteuern, sodass ihre Minutenzahl und die obigen Zahlen nicht dieselbe Art von Zahl sind.

Vapi und Hume bepreisen genauso. Ich habe beide im Überblick zu KI-Sprachunternehmen durchgerechnet, und das Muster bleibt bestehen: ein Modelltarif und ein Plattformtarif sind unterschiedliche Produkte in derselben Einheit.

Der Vergleich mit ElevenLabs verdient einen eigenen Absatz, denn genau der hat sich heute verändert. Dessen Agent-Pläne sind vorausbezahlte Minutenkontingente: $6 für 75 Minuten, $22 für 275, $99 für 1.238, $299 für 3.738, $990 für 12.375. Teilt man jeden davon, landet man bei fast genau $0.08 pro inkludierter Minute über jeden bezahlten Tarif hinweg, was Groks neuem Tarif auf den Cent entspricht. Bis heute Morgen unterbot Grok das um 37.5%. Was bleibt, ist ein Unterschied in der Abrechnungsform statt beim Preis: ElevenLabs-Minuten sind vorausbezahlt und verfallen, Groks sind Pay-as-you-go, sodass eine Linie mit sprunghaftem oder saisonalem Volumen weiterhin bei Grok besser abschneidet, während eine Linie, die den ganzen Monat auf Volllast läuft, jetzt ein Münzwurf ist. Bei Cartesia Sonic 3 und dem Rest der spezialisierten Anbieter stellt sich dieselbe Frage zur Abrechnungsform.

Die Limits, die mehr kosten als die Preisliste

Diese sind mir wichtiger als der Minutenpreis, denn ein Tarif, den man planen kann, lässt sich leichter aushalten als eine Obergrenze, auf die man um 16 Uhr am Black Friday trifft.

Zehn gleichzeitige Sitzungen pro Team. Das ist der veröffentlichte Standard auf der Modellkarte, höhere Limits gibt es auf Anfrage. Zehn gleichzeitige Anrufe sind eine kleine eingehende Warteschlange. Wer eine echte Telefonlinie dimensioniert, sollte die Concurrency-Anfrage vor der Kreditkarte stellen, nicht danach.

Maximale Sitzungsdauer von 120 Minuten. Für Support ausreichend, aber gut zu wissen, falls Ideen für dauerhaft laufende Assistenten bestanden.

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

Speicher wird separat abgerechnet, wenn der Agent Retrieval nutzt. Collections kosten $0.10 pro GiB und Tag, Dateien $0.025, Downloads $0.20 pro GiB. Bei einer kleinen Wissensdatenbank gering, aber eine Zeile im Modell wert, wenn ein komplettes Helpcenter für mehrsprachigen Support synchronisiert wird.

Es gibt eine Gebühr von $0.05 für blockierte Anfragen. Wird eine Responses-API-Anfrage vor der Generierung als Verstoß gegen die Nutzungsrichtlinien erkannt, berechnet xAI $0.05. Keine sprachspezifische Position, aber genau die Art von Sache, die auf einer großen Rechnung als unerklärter Rundungsfehler auftaucht.

Eine Region. Speech to Speech läuft nur in us-east-1, was eher eine Tatsache zu Latenz und Datenresidenz als zum Preis ist, obwohl es in dem Moment zu einem Preisthema wird, in dem eine Einkaufsprüfung danach fragt.

Wo die Preisfrage tatsächlich landet

Hier ist die Entscheidung, die ich bei allem oben Gesagten treffen würde.

Wer eine eingehende Telefonlinie betreibt, auf der Anrufer unterbrechen, ihre Meinung ändern und erwarten, dass der Agent tatsächlich etwas tut, für den ist der Tarif von $0.08 fair, und der Alias-Wechsel ist eine Preiserhöhung, die man mitnehmen sollte. Konversationsdynamik plus 17.3 Punkte und 0.70 Sekunden Latenz sind die zwei Dinge, die Anrufer spüren, und kein anderes Modell in der Tabelle verbindet das mit einem Index von 82.9%.

Liest der Sprachagent nur Bestellstatus vor, sollte man grok-voice-think-fast-1.0 noch heute pinnen und den Tarif von $0.05 behalten. Sprach-Reasoning lag bei 1.0 bereits bei 97.1%. Man lässt bei der tatsächlich vorhandenen Arbeitslast keine Qualität liegen, und bei 10.000 Minuten im Monat ist das Pinnen $300 wert.

Wer die Linie noch nicht gebaut hat, sollte gar nicht den Minutenpreis modellieren. Es geht um Kosten pro gelöstem Vorgang, und das bedeutet zu wissen, welcher Anteil der Anrufe ohne Mensch endet. Das ist dieselbe Rechnung wie bei jedem Callcenter-ROI-Fall, und es lohnt sich, das neben die Baseline von KI- versus Human-Agent-Kosten zu legen, bevor irgendetwas unterschrieben wird.

Eine weichere Zahl gehört ebenfalls in dieses Modell. Ein schnellerer, weniger unterbrechbarer Agent bewegt den CSAT, und der CSAT ist es, der verhindert, dass eine billige automatisierte Linie im Stillen Kunden kostet. Es ist die am schwersten vorherzusagende und die am leichtesten zu bemerkende Zahl, sobald sie sinkt.

Die Sprachrechnung ist die kleinere Hälfte des Problems

Ich baue eesels SEO und lese die Vertriebsnotizen, und die Preisgespräche, die schiefgehen, gehen fast nie wegen eines Minutentarifs schief. Sie gehen wegen der Einheit schief.

Ich habe das von beiden Enden der Volumenkurve gehört. Eine Ops-Leiterin bei einem Fintech für Auszahlungen und Geldtransfers auf Zendesk, mit 7.000 bis 8.000 eskalierten Tickets pro Monat, sagte mir, Preise pro Interaktion seien gegenüber sitzungsbasierter Abrechnung ein No-Go, 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 bei zwanzig Cent pro Ticket rund $30.000 pro Monat und verbrachte den Großteil eines Telefonats damit, herauszufinden, ob die Einheit eine Interaktion oder ein Ticket war. Keiner der beiden Fälle war ein Argument dafür, dass der Tarif zu hoch sei. Beides waren Argumente darüber, was der Tarif überhaupt zählte.

Das ist die Perspektive, die ich auf Groks Preisliste anwenden würde, und dabei schneidet sie gut ab. Ein flacher Audio-Zähler pro Minute ist die verständlichste Einheit in dieser Kategorie. Sie ist strukturell aber auch eine Einheit, die nach Zeit statt nach Ergebnis abrechnet, was genau die richtige Einheit für einen Telefonanruf und genau die falsche für eine Ticket-Warteschlange ist.

Wer gerade eine Grok-Voice-Linie durchrechnet: 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 auf den eigenen vergangenen Tickets trainiert statt auf einem Website-Crawl.

Das Entscheidende für eine Prognose: eesel führt vor jeder echten Kundenantwort eine Deflection-Simulation gegen die reale Ticket-Historie aus, sodass die Lösungsquote, die in die Tabelle kommt, aus der eigenen Warteschlange gemessen wurde und nicht von einem Leaderboard geliehen ist. eesel kostenlos testen oder zuerst die Preise ansehen, da das offenbar die Seite ist, die alles entscheidet.

Was ich tun würde, bevor die Rechnung eintrifft

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

1. Nach grok-voice-latest greppen. Steht das im Produktionscode, läuft man ab heute auf dem neuen Tarif. Entscheiden, ob das gewollt ist, und dann so oder so eine Version pinnen, denn xAIs eigene Doku empfiehlt Pinning für die Produktion, und genau deshalb.
2. Mit Tool-Aufrufen neu prognostizieren. Die Minuten des letzten Monats nehmen, 15 bis 20% für Tool-Aufrufe und Telefonie aufschlagen und die Zahl gegen den Rechner oben prüfen. Die Audio-Zeile ist nie die ganze Rechnung.
3. Die Concurrency-Erhöhung anfragen, bevor sie gebraucht wird. Zehn gleichzeitige Sitzungen sind der Standard, nicht die Obergrenze. Eine Erhöhung ist eine Anfrage, und Anfragen dauern länger als Traffic-Spitzen.

Nichts davon ist ein Grund, das Modell zu meiden. Think Fast 2.0 ist das stärkste agentische Sprachmodell mit veröffentlichten Zahlen, und gemessene $4.80 pro Stunde sind weniger als die Hälfte dessen, was OpenAIs bestes Realtime-Tier kostet. Es ist nur ein Grund zu wissen, welcher der eigenen Modell-Strings ein bewegliches Ziel ist und was mit der Rechnung passiert, wenn es sich bewegt. Dieselbe Disziplin gilt für den Umgang mit Eskalationen und für die Verhinderung 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 ab, was sich am Modell selbst verändert hat. Der Beitrag zu den Voice-Agent-Builder-Preisen deckt die No-Code-Plattform darüber ab, und es gibt einen praktischen Builder-Test, falls der Workflow statt der Preisliste interessiert.

Noch unentschlossen, ob Sprache überhaupt der richtige Kanal ist? Kann KI Support-Anrufe beantworten ist der richtige Startpunkt, danach das umfassendere Thema KI-Telefonanrufe.

Erreichen Anrufer bereits über ein Helpdesk-Telefonprodukt wie Zendesk Talk, kommt die Frage nach Selberbauen versus Kaufen vor der nach dem Minutenpreis. Mein Überblick zur Support-Automatisierung ist die Abkürzung dorthin.