Grok Voice Transcribe 2.0: Preise, Funktionen und Benchmarkgrenzen

Was am 18. September veröffentlicht wurde

SpaceXAI hat Grok Voice Transcribe 2.0 als neue Version seines Speech-to-Text-Modells vorgestellt. Es wandelt aufgezeichnetes oder live übertragenes Audio in Text um. Die API unterstützt dafür einen REST-Endpunkt für Dateien und URLs sowie eine WebSocket-Verbindung für laufende Streams.

Version 2.0 ist laut API-Dokumentation das neue Standardmodell, wenn kein Modellname angegeben wird. Bestehende Integrationen können deshalb ihr Verhalten ändern, ohne dass der Anwendungscode angepasst wurde. Wer eine kontrollierte Migration braucht, kann vorerst ausdrücklich grok-voice-transcribe-1.0 anfordern. SpaceXAI kündigt dessen Abschaltung für die kommenden Wochen an, nennt aber noch kein festes Enddatum.

Bestätigtes Ereignisdatum: 18. September 2026. Version 2.0 ist verfügbar und als Standard gesetzt; für die Abschaltung von Version 1.0 nennt SpaceXAI noch keinen konkreten Termin.

Batch und Streaming lösen unterschiedliche Aufgaben

Der REST-Endpunkt eignet sich für bereits vorhandene Aufnahmen. Dateien können direkt hochgeladen oder über eine URL übergeben werden; die Dokumentation nennt eine maximale Dateigröße von 500 Megabyte. Das Ergebnis kann neben dem Text auch Wortzeitstempel und Konfidenzwerte enthalten. Damit lassen sich Untertitel, durchsuchbare Gesprächsarchive oder eine nachgelagerte Qualitätskontrolle aufbauen.

Streaming verarbeitet Audio während des Gesprächs. Die WebSocket-API sendet vorläufige und endgültige Transkripte und bietet eine Smart-Turn-Funktion zur Erkennung abgeschlossener Äußerungen. Das ist für Voice-Agenten, Live-Untertitel und Assistenzsysteme relevant, erhöht aber die Integrationsarbeit: Audioformat, Paketgröße, Verbindungsabbrüche, Endpunkt-Erkennung und sichtbare Latenz beeinflussen das Ergebnis ebenso wie das Modell.

• REST oder Batch für abgeschlossene Dateien und planbare Verarbeitung
• WebSocket-Streaming für laufende Gespräche und niedrige Reaktionszeit
• Zwischenergebnisse dürfen nicht wie endgültig bestätigter Text behandelt werden
• API-Schlüssel gehören in einen Server-Proxy und niemals in Browser- oder App-Code

Welche Funktionen die API dokumentiert

Grok Voice Transcribe 2.0 unterstützt laut Dokumentation zwölf Audioformate, automatische Spracherkennung und Wortzeitstempel. Für Gespräche kann die API Sprecher unterscheiden. Mehrkanal-Audio ist für zwei bis acht Kanäle vorgesehen, was bei getrennten Telefonspuren oder Konferenzsystemen hilfreich sein kann.

Mit Keyterm Prompting lassen sich bis zu 100 wichtige Begriffe mit jeweils höchstens 50 Zeichen vorgeben. Das kann Produktnamen, Abkürzungen oder Fachvokabular wahrscheinlicher machen, garantiert aber keine korrekte Erkennung. Weitere Optionen steuern Zeichensetzung, Füllwörter und die Formatierung von Daten wie Telefonnummern oder E-Mail-Adressen. Jede aktivierte Aufbereitung sollte gegen ein wortgetreues Rohtranskript geprüft werden, wenn der genaue Wortlaut wichtig ist.

• Wortzeitstempel und Konfidenzwerte für überprüfbare Fundstellen
• Sprechertrennung und zwei bis acht Audiokanäle
• Bis zu 100 Schlüsselbegriffe für domänenspezifisches Vokabular
• Optionale Entfernung von Füllwörtern und automatische Formatierung
• Smart Turn für die Erkennung eines Gesprächswechsels im Stream

Mehrsprachigkeit ist nicht automatisch gleiche Qualität

SpaceXAI beschreibt Unterstützung für Dutzende Sprachen, automatische Erkennung und Sprachwechsel innerhalb einer Aufnahme. Die Dokumentation führt Deutsch als Sprache mit eigener Formatierungsunterstützung auf. Das ist nützlich, wenn Zahlen, Datumsangaben oder Satzzeichen sprachgerecht ausgegeben werden sollen.

Eine aufgeführte Sprache belegt jedoch nicht dieselbe Fehlerquote für jedes Land, jeden Dialekt oder jeden Audiokanal. Auch der optionale Sprachparameter erzwingt laut Dokumentation nicht die Transkription in dieser Sprache, sondern beeinflusst vor allem die Formatierung. Deutsch-englische Wechsel, regionale Namen, Akzente und stark komprimierte Telefonaufnahmen brauchen daher eigene Testfälle.

Die Modellkosten sind klar, die Gesamtkosten nicht

Die offizielle Preisliste nennt 0,10 US-Dollar je Audiostunde für REST beziehungsweise Batch und 0,20 US-Dollar je Audiostunde für Streaming. Eine Million Audiominuten entsprächen damit rechnerisch rund 1.666,67 US-Dollar im Batch oder 3.333,33 US-Dollar im Streaming, bevor Steuern, Währungsumrechnung und weitere Dienste berücksichtigt werden.

Für eine reale Kalkulation kommen Speicherung, Audioübertragung, Telefonie, Monitoring, menschliche Nachprüfung und nachgelagerte Modelle hinzu. Bei Live-Anwendungen zählt außerdem nicht nur der Minutenpreis: Schlechte Endpunkt-Erkennung, Wiederholungen oder fehlerhafte Transkripte können Gespräche verlängern und Folgekosten verursachen. Sinnvoll ist deshalb eine Kennzahl pro korrekt abgeschlossenem Vorgang statt nur pro Audiostunde.

Offizielle Listenpreise vom 20. September 2026: 0,10 US-Dollar pro Audiostunde für REST und 0,20 US-Dollar pro Audiostunde für Streaming. Infrastruktur und nachgelagerte Verarbeitung sind nicht enthalten.

Was die Benchmarks zeigen und was offenbleibt

SpaceXAI bezeichnet Version 2.0 bei gleichem Preis als doppelt so genau wie Version 1.0. Außerdem soll das Modell zum Veröffentlichungszeitpunkt den ersten Platz unter 32 Streaming-Modellen auf der öffentlichen Speech-to-Text-Bestenliste von Artificial Analysis erreicht haben. Für einen internen Datensatz mit kurzen Phrasen meldet das Unternehmen einen Rückgang der Word Error Rate von 20,6 auf 6,8 Prozent.

Diese Angaben sind nicht gleich stark. Eine öffentliche Bestenliste schafft mehr Vergleichbarkeit als ein interner Datensatz, doch auch dort hängen Ergebnisse von Sprache, Audioauswahl, Normalisierung und Bewertungsmethode ab. Die Werte für Telefonie, gesprochene Zugangsdaten, kurze Befehle und 19 Sprachen stammen aus Produktionsdaten beziehungsweise Tests des Herstellers. Vollständige Testdaten und unabhängige Reproduktionen aller Aussagen sind in der Ankündigung nicht enthalten.

Auch eine niedrigere durchschnittliche Word Error Rate beantwortet nicht, welche Fehler übrig bleiben. Vertauschte Ziffern, falsch erkannte Negationen oder verwechselte Sprecher können geschäftlich schwerer wiegen als mehrere harmlose Satzzeichenfehler. Ein Auswahltest sollte deshalb Fehlerklassen und Prozessfolgen bewerten, nicht nur einen Gesamtwert.

Herstellerangaben: Der behauptete Genauigkeitsgewinn und die internen Fehlerquoten stammen von SpaceXAI. Sie sind kein allgemeiner Nachweis für deutsche oder unternehmensspezifische Audiodaten.

Aufbewahrung und Regionen müssen vor dem Pilot geklärt sein

Für die xAI-API dokumentiert SpaceXAI standardmäßig eine verschlüsselte Aufbewahrung von Anfragen und Antworten für bis zu 30 Tage zu Prüfzwecken. Die Daten werden laut FAQ ohne ausdrückliche Erlaubnis nicht zum Training verwendet. Für berechtigte Teams gibt es eine Zero-Data-Retention-Option, die allerdings Funktionen einschränken kann, die gespeicherte Daten benötigen.

Diese allgemeine API-Regel ersetzt keine Prüfung des eigenen Vertrags und Datenflusses. Die Dokumentation weist außerdem darauf hin, dass der regionale US-Endpunkt Voice-APIs derzeit nicht bereitstellt. Vor produktiver Nutzung sollten Verantwortliche deshalb klären, über welchen Endpunkt Audio verarbeitet wird, welche Unterauftragnehmer beteiligt sind, wie lange Rohdaten und Transkripte intern gespeichert bleiben und wie Löschung sowie Betroffenenrechte umgesetzt werden.

Audio kann biometrische Merkmale, Gesundheitsdaten, Zugangsdaten oder vertrauliche Gespräche enthalten. Testmaterial sollte daher synthetisch oder wirksam anonymisiert sein. Für Aufzeichnungen braucht es einen nachvollziehbaren Zweck, transparente Hinweise, passende Einwilligungs- oder Rechtsgrundlagen und möglichst kurze Speicherfristen.

So gelingt die Migration von Version 1.0

Da Version 2.0 automatisch zum Standard geworden ist, sollte zunächst geprüft werden, ob bestehende Systeme den Modellnamen überhaupt fest angeben. Eine unbeabsichtigte Umstellung kann Formatierung, Zeitstempel, Zwischenresultate und nachgelagerte Regeln verändern. Für einen sauberen Vergleich werden beide Versionen mit denselben Audiodateien, Parametern und Auswertungen getestet.

Erst nach bestandenen Qualitäts- und Latenzgrenzen sollte der neue Modellname ausdrücklich in die Produktionskonfiguration aufgenommen werden. Damit bleibt die verwendete Version in Logs und Vorfallanalysen sichtbar. Parallel braucht es einen Rückfallplan, solange Version 1.0 verfügbar ist, sowie eine Beobachtung der offiziellen Dokumentation für das endgültige Abschaltdatum.

• Aktuell verwendeten Modellnamen und Standardverhalten inventarisieren
• Referenzkorpus mit beiden Versionen und identischen Optionen verarbeiten
• Text, Zeitstempel, Sprecher, Latenz und Fehlerklassen vergleichen
• Version 2.0 nach Freigabe ausdrücklich in der Konfiguration festsetzen
• Abschaltdatum von Version 1.0 und Rückfallpfad dokumentieren

Ein belastbarer Testplan für deutsche Audiodaten

Ein guter Pilot bildet die späteren Bedingungen ab. Dazu gehören deutsche Standardsprache und Dialekte, unterschiedliche Mikrofone, Telefonkompression, Hintergrundgeräusche, Unterbrechungen, mehrere Sprecher und Sprachwechsel. Besonders kritisch sind Zahlen, Beträge, Produktnamen, E-Mail-Adressen, Negationen und ähnlich klingende Wörter.

Neben Word Error Rate sollten Teams die Zeit bis zum ersten brauchbaren Zwischenergebnis, die Stabilität vorläufiger Texte, Sprecherzuordnung, falsche Schlüsselbegriffe und die Erkennung des Gesprächsendes messen. Für jeden Fehler wird dokumentiert, ob er nur kosmetisch ist, eine menschliche Korrektur braucht oder eine falsche Aktion auslösen könnte.

• Repräsentatives, rechtmäßig nutzbares Audiokorpus festlegen
• Batch und Streaming unter denselben inhaltlichen Bedingungen testen
• Ziffern, Namen, Negationen und Zugangsdaten getrennt auswerten
• Latenz, Zwischenresultate und Smart-Turn-Abbrüche messen
• Kosten je korrekt abgeschlossenem Vorgang berechnen
• Menschliche Prüfung für folgenreiche Entscheidungen beibehalten

Die MindrAils-Einordnung

Grok Voice Transcribe 2.0 ist ein relevantes Release, weil SpaceXAI Batch- und Echtzeit-Transkription mit einer umfangreichen Steuerung für Sprecher, Kanäle, Schlüsselbegriffe und Gesprächsenden verbindet. Der unveränderte Listenpreis macht einen Vergleich mit bestehenden Diensten einfach, und die automatische Umstellung zum Standard sorgt für unmittelbare praktische Bedeutung.

Die veröffentlichte Evidenz reicht dennoch nicht für ein pauschales Urteil als bestes Modell. Viele Qualitätswerte stammen vom Anbieter, und selbst ein öffentlicher Spitzenplatz bildet nicht jede Sprache oder Telefonumgebung ab. Der sinnvolle nächste Schritt ist deshalb kein blinder Wechsel, sondern ein versionierter Vergleich mit eigenen deutschen Audiodaten, klaren Fehlerschwellen und einer vollständigen Datenschutzprüfung.