xAI (jetzt SpaceXAI) hat grok-voice-think-fast-2.0 veröffentlicht, ein nativer Speech-to-Speech-Stimmmodell. Audio rein, Audio raus, keine Text‑Pipeline dazwischen. Der Trick: Es schlussfolgert parallel zum Sprechen. Stimmmodelle stehen normalerweise vor einem harten Kompromiss – zuerst denken und die Nutzer hören tote Stille, das Denken überspringen und erhalten dumme Antworten. Dieses Modell macht beides gleichzeitig, ohne Latenz‑Kosten.
Die Zahlen im Vergleich zu OpenAI und Google
Im Speech-to-Speech-Benchmark von Artificial Analysis: 82,9 %, gegenüber 75,7 % für v1.0 – besser als GPT-Realtime-2.1 (79,1 %) und Gemini 3.1 Flash (69,5 %). Die Zeit bis zum ersten Audio sank von 1,25 s auf 0,70 s. Die Transkriptionsgenauigkeit ist 1,4‑mal besser über 24 Sprachen hinweg, bei etwa 60 % weniger Reasoning‑Tokens. xAI hat es über den Telefondienst von Starlink laufen lassen und berichtet von höherer Verkaufs‑Conversion und Support‑Containment.
Der API‑Wechsel erfolgt heute
0,08 $ pro Audiominute über die xAI‑API. Ab dem 5. August leitet der Alias grok-voice-latest automatisch zu 2.0 weiter – pinne v1.0 manuell, wenn du das Upgrade nicht willst. Agent Builder deckt die offensichtlichen Anwendungsfälle ab: Telefon‑Support, Verkaufsgespräche, Sprach‑Agenten. Derselbe Release fügt grok-imagine-video-1.5 mit nativen 1080p Text-to-Video hinzu. Das Echtzeit‑Stimmrennen ist gerade zu einem Reasoning‑Rennen geworden.