Grok Voice 3.0とは？
Grok Voice 3.0は、利用者の音声を受け取り、音声で返すリアルタイムAPI向けモデルです。xAIは、単に読み上げ音声を作る用途ではなく、相手の発話を聞き、ツールを使い、会話を続ける「会話エージェント」を想定しています。
| 確認項目 | Grok Voice 3.0の条件 |
|---|---|
| 提供形態 | xAI APIのSpeech-to-Speech |
| モデル指定 | grok-voice-3.0、または自動更新されるgrok-voice-latest |
| 料金 | 1分0.08ドル、1時間4.80ドル |
| 接続 | WebSocketによるリアルタイム通信 |
| 互換性 | Voice 2.0と同じAPI、セッション、イベント構造 |
| 主な用途 | 電話対応、音声アシスタント、予約・案内、音声でのツール操作 |
xAIの開発者資料によると、OpenAI Realtime APIとの互換レイヤーも用意され、ベースURLなどを置き換えて接続できます。一方、「互換」は出力品質やすべての挙動が同じという意味ではありません。セッション開始、割り込み、ツール呼び出し、切断からの復旧は個別に確かめる必要があります。[3]
料金は1分0.08ドル。通話全体の費用は別に見る
公表料金は、Voice 2.0と同じ1分0.08ドルです。1時間では4.80ドルになります。たとえば、平均3分の会話を月1,000件処理すると、モデル利用料の単純計算は240ドルです。
ただし、この金額だけで電話窓口の総費用は決まりません。少なくとも次の項目を分けて見積もる必要があります。
- 電話番号、発着信、録音など通信事業者の料金
- 顧客データベースや予約システムを呼び出す費用
- 会話ログの保存、監視、分析に使うクラウド費用
- 人へ引き継ぐ件数と、引き継ぎ後の対応時間
- 開発、評価、障害対応、セキュリティ審査の人件費
xAIの発表では、Starlinkが1日2万件を処理し、約70%を人の介入なしで解決していると説明されています。また、販売電話の約4件に1件が購入につながったとしています。これはxAIが示した導入企業の数値であり、TechCreateが測定した結果ではありません。対象期間、母数、従来手段との比較条件も公開資料だけでは確定できないため、自社の費用対効果へそのまま当てはめない方がよいでしょう。[1]
Voice 2.0から何が変わった？
xAIは、雑音への強さ、感情表現、笑いなどの非言語表現、複数言語での発音、指示への追従を改善したと説明しています。性能を見るときは、開発元の説明と第三者評価を分ける必要があります。
独立評価サービスArtificial AnalysisのSpeech Arenaでは、Grok Voice 3.0の総合Speech-to-Speech Indexは86.9、タスク成功率は94.8%、同時発話への対応をみるFull Duplexは97.0%でした。旧Voice 2は同じ表で総合81.3、タスク成功率94.6%、Full Duplex 95.1%です。[4]
| 指標 | Voice 2 | Voice 3.0 | 読み方 |
|---|---|---|---|
| 総合指標 | 81.3 | 86.9 | 複数評価の集約値 |
| タスク成功率 | 94.6% | 94.8% | 指定課題を完了できた割合 |
| Full Duplex | 95.1% | 97.0% | 相手が途中で話した場面への対応 |
| 初回音声まで | 0.70秒 | 0.81秒 | Voice 3.0の方が0.11秒遅い |
改善は一様ではありません。総合値とタスク成功率は上がりましたが、初回音声までの時間は同評価で0.81秒となり、Voice 2の0.70秒より長くなっています。ベンチマーク上位だから、どの電話回線や日本語業務でも待ち時間が短いとは言えません。
音声生成だけを比較したい場合は、Gemini 3.8 Flash TTSの料金と使い分けも参考になります。TTSは文章を音声化する機能で、相手の発話理解やツール操作を含む会話APIとは費用の数え方が異なります。
既存APIは移行しやすいが、自動更新には注意
xAIはVoice 2.0と同じAPI、セッション、イベント構造を維持すると案内しています。既存の実装を全面的に作り直す必要はありません。公式リリースノートでは、grok-voice-latestが3.0を指すようになり、Voice 2.0は非推奨になったと明記されています。[2]
移行は次の順で進めると、モデル更新と業務変更を切り分けやすくなります。
- 検証環境では
grok-voice-3.0を明示し、旧版と同じ会話を再生する - 日本語の固有名詞、数字、住所、沈黙、言い直しを含む試験を行う
- ツール呼び出しの前に確認を挟み、誤った予約・変更を防ぐ
- 応答時間、完了率、人への引き継ぎ率、訂正回数を旧版と比較する
- 合格後も本番は版を固定し、
latestの自動変更を監視する
公式資料では、推論強度の既定値はhighです。推論量を増やすほど、すべての会話が自然になるとは限りません。短い定型案内と複雑な問い合わせを同じ設定で運用せず、業務別に品質と待ち時間を測る必要があります。[3]
導入前に確認したい権限とデータの境界
Grok Voiceは、リモートMCPサーバーや独自ツールを呼び出せます。会話しながら予約を作る、注文状況を調べる、担当者へ転送するといった設計が可能です。便利さと同時に、音声の聞き間違いが外部操作へつながる範囲も広がります。
ブラウザやモバイルアプリから接続する場合、公式資料は長期APIキーを端末へ置かず、短時間だけ有効なエフェメラルトークンを使う方法を案内しています。[3] さらに、次の境界を先に決めておくべきです。
- 閲覧だけでよいツールと、予約・購入・更新ができるツールを分ける
- 金額、住所、契約変更は復唱し、利用者の明示確認後に実行する
- 録音、保存期間、学習利用、委託先をプライバシー説明へ反映する
- 認識できない言語や緊急性の高い相談を人へ渡す
- API停止、通信断、ツール失敗時の代替手段を用意する
AIコンタクトセンター導入の記事でも、デモの自然さより、一次解決率、訂正回数、引き継ぎ時間を同じ条件で比べることが重要だと整理しています。Grok Voice 3.0も、公開ベンチマークだけで導入を決めるのではなく、自社の代表的な会話で小さく検証するのが現実的です。
どんな組織に向く？
既にVoice 2.0を使っている組織、会話中に検索や予約などのツールを動かしたい組織、1分単位で費用を管理できる高頻度の電話業務には検討余地があります。一方、料金を含む契約条件を日本語で固定したい組織、データ保存地域に厳しい要件がある組織、少量の読み上げだけが必要な組織は、契約確認やTTSとの比較を先に進めるべきです。
現時点で公開資料から確認できないのは、日本語業務別の誤認識率、長時間通話の安定性、日本向けのデータ処理条件、個別契約での割引です。導入判断では、モデル名よりも、月間分数、失敗時の影響、必要な人の承認を先に置くと比較しやすくなります。
まとめ
- Grok Voice 3.0は音声対音声の会話APIで、料金はVoice 2.0と同じ1分0.08ドル。既存APIを保ったまま試しやすい更新です。
- 独立評価では総合値とタスク成功率が上がった一方、初回音声までの時間は旧版より長く、実業務での比較が欠かせません。
latestは自動更新されます。本番では版を固定し、権限、確認操作、人への引き継ぎ、総費用を含めて評価することが持ち帰るべき判断軸です。
出典・参考
- xAI「Introducing Grok Voice 3.0」（2026年10月14日）
- xAI Developers「Release Notes: Grok Voice 3.0」（2026年10月14日）
- xAI Developers「Speech-to-Speech」（2026年10月16日確認）
- Artificial Analysis「Speech-to-Speech Model Comparison」（2026年10月16日確認）
読者のコメント (0)
コメントを残す