Grok Voice Transcribe 2.0 verspricht doppelte Genauigkeit beim gleichen Preis von 10 Cent

Bei einer API, die einen Zehner pro Stunde kostet, ist das Bemerkenswerte an SpaceXAIs neuem Sprachmodell nicht der Preis. Es ist das, was das Unternehmen seinen Angaben nach für diesen Preis bekommen hat.

Zum Weiterlesen: SpaceXAI liefert Grok 4.7 fürs Coden zu Grok-4.6-Preisen, mit passenden Hersteller-Benchmarks · OpenAI verlegt das Frontier-Training vom offenen Internet auf eine zwischengespeicherte Kopie des Webs.

Am 18. September 2026 veröffentlichte SpaceXAI Grok Voice Transcribe 2.0, ein Speech-to-Text-Modell, das das Unternehmen als doppelt so genau wie Grok Voice Transcribe 1.0 beschreibt, bei unveränderten Listenpreisen: 0,10 Dollar pro Stunde Audio für die Batch-Transkription und 0,20 Dollar pro Stunde für Streaming (SpaceXAI). Das Unternehmen gibt an, das Modell belege beim öffentlichen Artificial-Analysis-Ranking Platz eins für Genauigkeit unter 32 Streaming-Modellen, und bei einem Satz kurzer Sprachassistenten-Phrasen in 19 Sprachen sei die Wortfehlerrate von 20,6% auf 6,8% gefallen.

Das sind Unternehmenszahlen aus unternehmenseigenen Evaluierungen, und diese Einschränkung ist wichtig. Die Richtung ändert das nicht: Spracherkennung wird gleichzeitig billiger und besser, und die Anbieter konkurrieren zunehmend über das Audio, mit dem sie trainieren können, statt allein über das Modell.

Was SpaceXAI tatsächlich veröffentlicht hat

Grok Voice Transcribe 2.0 ist ein gehostetes Modell, verfügbar über die Grok Voice API unter der Kennung grok-voice-transcribe-2.0. Es verarbeitet aufgezeichnete Dateien und Live-Streams mit denselben Gewichten, und SpaceXAI zufolge erhalten bestehende Speech-to-Text-Integrationen die Genauigkeitsverbesserung ohne Codeänderungen (MarkTechPost). Es gibt keine offenen Gewichte, Selbsthosting ist also keine Option.

Die Preisgestaltung ist unverändert gegenüber Version 1.0, was etwa 1,67 Dollar pro 1.000 Minuten für Batch und 3,33 Dollar pro 1.000 Minuten für Streaming entspricht. Bei diesen Sätzen kostet die Transkription von 1.000 Stunden aufgezeichnetem Audio etwa 100 Dollar. Funktionen, die vor nicht allzu langer Zeit noch abgerechnete Posten waren, sind nun gebündelt: Sprechertrennung ohne Aufpreis, Zeitstempel auf Wortebene mit Konfidenzwerten, Mehrkanaltranskription mit bis zu acht Kanälen, Schlüsselbegriff-Gewichtung mit bis zu 100 Fachbegriffen pro Anfrage, Formatierung von Zahlen, Daten, Währungen und Kontaktdaten in Schriftform, Entfernung von Füllwörtern und intelligente Sprecherwechsel-Erkennung für Sprachagenten.

Das Modell baut auf dem Audio-Grundlagenmodell hinter Grok Voice auf. SpaceXAI zufolge verarbeitet dieses System bereits Zehntausende Kundendienstgespräche pro Tag, transkribiert Millionen Stunden Videokommentar und betreibt Sprachagenten in physischen Produkten, darunter der Grok-Assistent in Tesla-Fahrzeugen. Diese Nutzungszahlen sind Eigenangaben, doch sie erklären die Strategie: Das Unternehmen trainiert mit live aufgenommenem, verrauschtem, mehrsprachigem Audio aus echten Einsätzen, also mit Daten, die saubere Studio-Benchmarks nicht erfassen.

Die Mehrsprachigkeit ist laut SpaceXAI der Bereich mit dem größten Generationssprung. Das Modell transkribiert Dutzende Sprachen, erkennt die Sprache automatisch und folgt einem Sprachenwechsel mitten in der Aufnahme in einem einzigen Durchlauf. Das ist wichtig für die kurzen Befehle, auf die sich In-Car- und Sprachassistenzsysteme verlassen, wo ein Modell kaum umgebende Wörter hat, um zu erkennen, welche Sprache es hört.

SpaceXAI zufolge wird Version 2.0 bald zur Voreinstellung in der Speech-to-Text-API, und Version 1.0 wird in den kommenden Wochen abgekündigt. Entwickler, die bei 1.0 bleiben müssen, können während der Übergangszeit grok-voice-transcribe-1.0 pinnen.

Wie die Aussage „doppelt so genau“ zu lesen ist

Der zentrale Vergleich gilt SpaceXAIs eigenem Vorgänger, nicht einem Rivalen. SpaceXAI zufolge misst es die Wortfehlerrate an vier internen Sätzen aus dem Produktionsverkehr: Kundendienst-Telefonie bei 8 kHz, Gespräche mit Grok, gesprochene Zugangsdaten wie Kontocodes und E-Mail-Adressen sowie kurze mehrsprachige Sprachbefehle (The Next Web).

Die konkreteste veröffentlichte Zahl ist der Kurzphrasen-Satz, bei dem die Fehlerraten über 19 Sprachen von 20,6% auf 6,8% sanken. Berichte über die Ankündigung nennen Unternehmenszahlen von 8,7% auf 3,3% bei Konversationsaudio, 10,6% auf 7,1% bei Telefonie und 7,2% auf 3,2% bei gesprochenen Zugangsdaten (Basenor). Das Unternehmen gibt an, bei dem Telefonie-Satz, den es mit den für einen Anruf typischen komprimierten 8 kHz abtastete, jedes getestete Modell zu übertreffen. Die eigenen Diagramme vergleichen mit Gemini 3.5 Transcribe, MAI-Transcribe-2, ElevenLabs Scribe v2, Deepgram Nova-3 und Whisper Large v3.

Auf unabhängiger Seite zeigt das Streaming-Ranking von Artificial Analysis für das neue Modell eine gemeldete Endtranskript-Fehlerrate von 2,7%, etwa 0,49 Sekunden nach dem Ende der Sprache, gegenüber 3,9% für OpenAIs GPT Live Transcribe (OrcaRouter). Derselbe Bericht nennt eine Batch-Fehlerrate von 2,3%. Das sind Ablesungen einer Rangliste, die sich ändert, wenn Anbieter Modelle einreichen, also bewegen sich Zahl und Platzierung.

Ein Unternehmen namens SpaceXAI

Die Ankündigung erscheint unter einem Namen, der sich noch durchsetzt. xAI wurde im März 2023 als Elon Musks KI-Unternehmen gegründet. SpaceX übernahm es am 2. Februar 2026 in einem reinen Aktientausch, der xAI mit 250 Milliarden Dollar bewertete (CNBC). Im Mai 2026 sagte Musk, xAI werde als eigenständiges Unternehmen zu existieren aufhören, und im Juli wurde das fusionierte Unternehmen in SpaceXAI umbenannt (Engadget). Berichte, diesen Artikel eingeschlossen, greifen aus Gewohnheit weiterhin zu „xAI“. Das Unternehmen verwendet diesen Namen nicht mehr, und seine Entwicklerdokumentation und Fußzeile tragen nun SpaceXAI.

Loom ist der Startkunde

Das konkreteste Signal von dritter Seite ist ein Einsatz statt ein Benchmark. Atlassian zufolge testete das Unternehmen Grok Voice Transcribe 2.0 gegen seinen bestehenden Anbieter, befand es für genauer und nutzt es nun, um jedes Loom-Video zu transkribieren. Sanchan Saxena, Senior Vice President für Atlassians Teamwork Collection, beschrieb die Arbeit mit Blick darauf, wohin Transkripte als Nächstes gehen: Ein aufgezeichneter Aktionsplan in Loom wird zu einem Transkript, das Transkript wird an den Coding-Agenten Cursor übergeben, und die gewünschten Änderungen werden vorgenommen.

Die Konkurrenz und die Preislücke

OpenAI teilte seine Transkriptionsreihe am 28. Juli 2026 in zwei auf. gpt-transcribe verarbeitet abgeschlossene Dateien und abgeschlossene Redebeiträge zu 0,0045 Dollar pro Minute, während gpt-live-transcribe Streaming mit geringer Latenz zu 0,017 Dollar pro Minute verarbeitet (OpenAI). Normalisiert sind das etwa 4,50 und 17 Dollar pro 1.000 Minuten.

Die Streaming-Preise von Grok und GPT Live Transcribe landen ungefähr am selben Punkt, nahe 3,33 Dollar pro 1.000 Minuten. Beim Dateipfad ist das anders: Groks 1,67 Dollar gegen OpenAIs 4,50 Dollar sind eine Lücke von etwa 63%, getrieben durch OpenAIs Abrechnung pro Minute bei einem Modell, das zum Start um 25% im Preis gesenkt wurde, während SpaceXAI einfach seinen alten Satz beibehielt. Microsofts MAI-Transcribe-2 kam auf dieselben 0,10 Dollar pro Stunde, was darauf hindeutet, dass dieser Wert zum Unterboden der Frontier-Labore für Batch-Arbeit wird statt zu einer Werbeaktion eines einzelnen Anbieters.

Der Kompromiss zwischen den beiden Spitzenreitern ist kein klarer Sieg. Ablesungen des Artificial-Analysis-Rankings setzen Grok bei der Endtranskript-Genauigkeit und beim ersten Teiltranskript vorn, der frühen Vermutung, auf die ein Sprachagent reagiert, bevor der Sprecher fertig ist. OpenAI gewinnt weiterhin bei der Zeit bis zum ersten Teil, etwa 0,26 Sekunden gegen Groks 0,49, weshalb ein Team, dem früh lieber ist als richtig, einen Grund zu bleiben hat. Die Genauigkeit des Teils ist die Zahl, die entscheidet, ob ein Agent unterbricht, eskaliert oder wartet, und die beiden Anbieter stehen bei dieser Wahl auf entgegengesetzten Seiten.

ElevenLabs' Scribe v2 und Deepgrams Nova-3 liegen im selben Bereich und erscheinen sowohl im öffentlichen Ranking als auch in SpaceXAIs internen Vergleichen. Sie konkurrieren inzwischen auf denselben Achsen: Genauigkeit bei unordentlichem Audio, Latenz und der Frage, wie viel der Pipeline ein Anbieter in den Grundpreis bündelt.

Was billige Transkription verändert

Bei zehn Cent pro Stunde hört Transkription auf, ein Budgetposten zu sein, der Produktentscheidungen prägt, und wird zu einer Rohstoffeingabe. Die Folgen gehen in mehrere Richtungen.

Für Callcenter kann ein Support-Gespräch zu Kosten transkribiert, durchsucht und bewertet werden, die klein genug sind, um sie auf jeden Anruf statt auf eine Stichprobe anzuwenden. Sprachagenten werden günstiger im Betrieb und leichter zu bewerten, weil das Transkript, das überprüft, was ein Agent gehört hat, nicht mehr der teure Teil ist. Für Medienunternehmen werden Podcast- und Videoarchive, die für eine nachträgliche Transkription zu groß waren, zu einer einmaligen Rechnung in Höhe von einigen Hundert Dollar. Für die Barrierefreiheit rückt Live-Untertitelung näher an eine Standardeinstellung statt an ein Premium-Extra.

Die Bündelung von Sprechertrennung, Zeitstempeln und Schlüsselbegriff-Gewichtung weist in dieselbe Richtung. Das waren vor nicht allzu langer Zeit kostenpflichtige Funktionen, und SpaceXAI hat sie in den Grundpreis aufgenommen und zugleich das Modell verbessert. Der Wettbewerbsdruck lastet daher weniger auf dem Modell als auf dem umgebenden Service: Bindung, Durchsatz, Latenz und das Vertrauen, das ein regulierter Kunde braucht, bevor er sensibles Audio über einen Dritten laufen lässt.

Der Vorbehalt, der Beachtung verdient

Ein Detail der Ankündigung verdient mehr Aufmerksamkeit, als es erhalten hat. SpaceXAI zufolge besteht einer der Evaluierungssätze aus Personen, die gesprochene Zugangsdaten laut vorlesen: Kontocodes, Telefonnummern, E-Mail-Adressen und Postanschreiben. Nichts in der Ankündigung sagt, wie dieses Audio gesammelt, aufbewahrt oder eingewilligt wurde, und in Europa hat ein Support-Anruf zwei Parteien, während nur eine einen Vertrag mit dem Anbieter hält (The Next Web).

Das ist eine Frage für jeden Anbieter, der mit Anrufaudio trainiert, SpaceXAI eingeschlossen. Sie unterstreicht auch, was das Unternehmen tatsächlich verkauft. Bei zehn Cent pro Stunde ist das Modell nahezu kostenlos; der dauerhafte Vermögenswert ist der Strom echter Gespräche, der durch es fließt, und die Genauigkeit, die dieser Strom erkauft.

Was zu beobachten ist

Drei Dinge werden entscheiden, ob dieser Start über den Ankündigungsbeitrag hinaus zählt. Das erste ist, ob unabhängige Evaluierungen, nicht die des Anbieters, die Kurzphrasen-Verbesserung bestätigen, die SpaceXAI in den Mittelpunkt stellt. Das zweite ist, wie der Batch-Preisboden hält, während OpenAI, Microsoft und die spezialisierten Anbieter reagieren, denn eine Lücke von 63% bei der Dateitranskription ist die Art von Zahl, die eine Reaktion erzwingt. Das dritte ist die Abkündigung: Ein Standardwechsel bei einer laufenden API verschiebt jede nicht angeheftete Integration auf einmal, und die Migrationshinweise in den Postfächern der Entwickler werden der erste echte Test dafür sein, wie das neue Modell mit den Audiodaten anderer funktioniert.

Titelbild: Elon Musk, Foto von Debbie Rowe (CC BY-SA 4.0) über Wikimedia Commons, auf 16:9 zugeschnitten.