Grok Voice Transcribe 2.0: gleicher Preis, mehr Genauigkeit

xAIs neues Speech-to-Text-Modell Grok Voice Transcribe 2.0 behält die Preise von 1.0: 0,10 US-Dollar/Std. für Batch-Transkription, 0,20 US-Dollar/Std. für Streaming. Genauigkeitsangaben stammen vom Anbieter.

In diesem Artikel

Was xAI angibt
Warum der unveränderte Preis das aussagekräftigere Signal ist
Was vor dem Wechsel auf den Standard zu tun ist

xAI hat am 18. September 2026 Grok Voice Transcribe 2.0 veröffentlicht, ein Sprach-zu-Text-Modell, das nach Angaben des Unternehmens die Genauigkeit des Vorgängers bei unveränderten Preisen etwa verdoppelt: 0,10 US-Dollar pro Audiostunde für Batch-Transkription und 0,20 US-Dollar pro Stunde für Streaming. Diarisierung, Zeitstempel und Key-Term-Biasing sind weiterhin ohne Aufpreis enthalten.

Nahaufnahme eines digitalen Mischpults mit Reihen von Fadern und kleinen beleuchteten Kanaldisplays im blauen Licht — Foto: Lchader (CC BY-SA 4.0), Wikimedia Commons.

Was xAI angibt

Das Unternehmen meldet eine Wortfehlerrate von 6,8 Prozent bei kurzen Phrasen, nach 20,6 Prozent für Version 1.0, und gibt an, dass das neue Modell auf dem Artificial-Analysis-Leaderboard unter 32 Streaming-Modellen bei der Genauigkeit auf Platz eins liegt. Loom wird als Designpartner für die Veröffentlichung genannt. Keine dieser Zahlen wurde unabhängig nachvollzogen; sie stammen aus der Ankündigung von xAI selbst und aus einem einzigen Drittanbieter-Leaderboard, das xAI als Beleg anführt.

Warum der unveränderte Preis das aussagekräftigere Signal ist

Die Preise für Speech-to-Text sinken bei den Anbietern seit Monaten. Dass xAI den eigenen bisherigen Preis hält und zugleich einen großen Genauigkeitssprung verspricht, ist daher ein besser überprüfbarer Datenpunkt als die Genauigkeitszahl selbst: API-Aufrufsignatur und Kostenmodell sind unverändert, was die Wechselkosten für Teams senkt, die bereits mit Version 1.0 integriert sind.

Was vor dem Wechsel auf den Standard zu tun ist

Derselbe /v1/stt-Endpunkt akzeptiert entweder grok-voice-transcribe-1.0 oder grok-voice-transcribe-2.0, und xAI hat angekündigt, dass 2.0 in den kommenden Wochen zum API-Standard wird und 1.0 als veraltet gilt. Teams mit bestehenden Integrationen sollten die Version explizit festlegen, die eigene Wortfehlerrate anhand repräsentativer Audiodaten erneut messen und erst dann entscheiden, ob sie von 1.0 abrücken – statt den neuen Standard allein aufgrund der Genauigkeitsangaben des Anbieters zu übernehmen.

Quellen: x.ai — Grok Voice Transcribe 2.0, MarkTechPost — Berichterstattung über die Veröffentlichung.