xAIのGrok Voice 3.0、1分0.08ドルで提供開始
xAIの音声モデルGrok Voice 3.0（グロック・ボイス）は、Voice Agent APIで1分0.08ドルです。価格は2.0と同じで、Artificial AnalysisのSpeech-to-Speech Indexで86.9を記録しました。
3 分で読めます
数字で見る
- per minute, about $4.80 an hour, unchanged from 2.0
- $0.08
- Artificial Analysis Speech-to-Speech Index score
- 86.9
- Starlink support calls a day, per xAI
- 20,000
- of those calls resolved without a human, per xAI
- ~70%
- Grok Voice 3.0
- 86.9
- GPT-Live-1
- 83.2
- Gemini 3.8 Live
- 82.6
- Grok Voice 2.0
- 81.3
AI企業のxAIは2026年10月14日、Grok Voice 3.0を公開しました。音声エージェントを作るための、音声から音声へのモデルです。Voice Agent APIでの価格は1分0.08ドルで、置き換え前のモデルと同じです。同社によると、Artificial AnalysisのSpeech-to-Speech Indexで現在1位です。音声エージェントはコールセンターに広がりつつあります。そのため、同じ価格でより良いモデルが使えれば、1件あたりの通話コストが下がります。
Grok Voice 3.0とは
音声から音声へのモデルは、音声を聞いて、そのまま音声で答えます。従来は、音声をテキストに変換し、テキストモデルを動かし、答えを再び音声に戻していました。この手順を省くことで、AIとの電話のやり取りで遅れを感じにくくなります。
Grok Voice 3.0はxAIのVoice Agent APIで動きます。WebSocketを使い、音声とテキストを双方向にストリーミングします。WebSocketは、ライブのデータのために開いたままにする接続です。Blockchain.Newsが報じています。現在はxAIの主力の音声モデルで、Grok Voice 2.0は非推奨になりました。
価格と移行
価格は1分0.08ドル、1時間あたり約4.80ドルのままで、Grok Voice 2.0と同じです。AI WeeklyはSiliconANGLEを引用し、競合の音声モデルを1分0.10〜0.18ドルとしています。
多くの開発者にとって、移行の手間はありません。Blockchain.Newsによると、grok-voice-latestを指定しているアプリは自動で3.0に切り替わりました。エンドポイント、セッションの設定、イベントは変わりません。クライアント側のアプリは、引き続き短期間だけ有効なトークンを使います。
ベンチマークの主張
xAIが前面に出す数字は、Artificial AnalysisのSpeech-to-Speech Indexでの86.9です。Artificial Analysisは、AIモデルを比較評価するグループです。
| モデル | Speech-to-Speech Index |
|---|---|
| Grok Voice 3.0 | 86.9 |
| GPT-Live-1（OpenAI） | 83.2 |
| Gemini 3.8 Live（Google） | 82.6 |
| Grok Voice 2.0 | 81.3 |
xAIの発表は、10月13日時点のArtificial Analysisのデータを使って、ほかの結果も示しています。推論テストのBig Bench Audioでは、Grok Voice 3.0は98.5%で、1タスクあたりの平均コストは0.025ドルです。GPT-Live-1は90.1%で、0.030ドルです。ただし、すべての項目で勝っているわけではありません。音声エージェントがタスクを完了できるかを測るτ-Voiceでは、GPT-Live-1が74.5%で、Grok Voice 3.0の71.6%を上回っています。
xAIは、話すことと聞くことを同時に行う力を測るFull Duplex Benchで97%、ServiceNowの公開ベンチマークであるEVA-Benchで74%とも発表しています。ServiceNowのSenior Director of Product Management for Agentic Evals and RAIであるNitin Aggarwal氏は、このモデルが「EVA-Benchで新たなパレート最適の境界を打ち立てた」と述べました。同社はさらに、遅延は1秒未満で、τ-Voiceで同程度の精度のときにGPT-Live-1より40%低いと主張しています。
すでに使われている場所
xAIによると、このモデルはすでに実際の通話を処理しています。Starlinkのコールセンターは1日約2万件の電話を複数の言語で受けています。そのうち約70%は人の手を借りずに解決しています。xAIによると、販売の電話の4件に1件は、電話を切る前に購入に至ります。Teslaは、車内でのハンズフリー操作にこのモデルを使っています。
AI Weeklyは、Starlinkの数字を裏付ける第三者の監査はないと指摘しています。
開発者にとっての意味
すでにgrok-voice-latest経由でGrok Voiceを使っているなら、今は3.0で動いています。自社の通話録音とテスト用のスクリプトを、もう一度試してください。APIが同じでも、新しいモデルでは話し方、間の取り方、割り込みへの対応が変わることがあります。
特定のモデルのバージョンを固定している場合は、2.0が止まる前に3.0への移行を計画してください。2.0はすでに非推奨です。
音声サービスを比較するチームにとって、1分あたりのコストは比べやすい数字です。同じ実際の通話50件を各候補に通してみてください。そして、解決率と人への引き継ぎの数を測りましょう。これはxAI自身が強調している指標です。ベンチマークのスコアが、特定の通話の台本に合うことはまれです。
導入の数字は、xAI以外の誰かが確認するまでは宣伝として扱いましょう。70%という自己解決率は強い主張です。それは、コールセンターがどのような電話を受けるかに大きく左右されます。
出典
関連記事
OpenAIのDecisions API、ベータ版ですべての開発者に公開
OpenAIのDecisions API（ディシジョンズAPI）がパブリックベータになりました。テキストの代わりに確率、選択、スコアを返します。GPT-6 Lunaで動き、料金は入力100万トークンあたり0.10ドルです。
Elorianの初モデルGlimpse、推論しながら画像を見直す
Elorian初のモデルGlimpseは、入力100万トークンあたり0.60ドルで、画像を見直しながら推論（リーズニング）します。11件のテストのうち4件でGPT-6 Astraを上回りました。
AIの意思決定モデルとは何か、解説
意思決定モデル（デシジョンモデル）は、テキストを書く代わりに、決められた答えの中から選び、それぞれの確率を返します。ホスト型の料金は入力100万トークン当たり0.02ドルからです。