Grok Voice 3.0はxAIの新しい音声対話AI
Grok Voice 3.0は、SpaceXSI（旧xAI）が2026年10月14日に公開した音声対話AIです。音声対話AIは人の声を聞き取り、回答を音声で出力するAIのことで、電話の受付や車内の音声操作に使われています。
SpaceXSIはGrok Voice 3.0を、発表の中で「世界で最も賢い音声モデル」と紹介しました。運営会社の名義はSpaceXAI LLCで、対話AIのGrokも同じ会社が提供しています。
10月14日にVoice Agent APIで提供開始
Grok Voice 3.0は、開発者向けのVoice Agent APIで10月14日から提供されています。APIは、自社のアプリや電話のシステムからAIを呼び出すための窓口です。同日のリリースノートにも、grok-voice-3.0というモデル名で提供開始のお知らせが掲載されています。
前のモデルのGrok Voice 2.0は2026年7月29日の公開で、約11週間ぶりの更新です。SpaceXSIは7月に文章向けのモデルも出しており、音声と文章の両方で新しいモデルを続けて公開しました。
"Today, we’re announcing Grok Voice 3.0, the world’s most intelligent speech-to-speech model." — 冒頭より公式情報を見る →
grok-voice-latestは自動で3.0へ切り替わる
モデル名にgrok-voice-latestを指定している接続は、何も変えなくても3.0へ切り替わっています。grok-voice-latestは常に最新のモデルを指す別名で、リリースノートによれば10月14日から参照先がgrok-voice-3.0になりました。APIの仕様は変わっていないため、呼び出す側のプログラムを修正する必要はありません。
"so sessions that use the alias are upgraded automatically. The API is unchanged." — 「Grok Voice 3.0 is available」より公式情報を見る →
総合評価はトップ、2つの観点では1位ではない
Artificial Analysisの総合評価、Speech to Speech Indexの点数
Grok Voice 3.0は、2位のGPT-Live-1に3.7ポイントの差をつけてトップ。前のモデルの2.0は4つの中で最も低く、3.0との差は5.6ポイントある。
Artificial Analysisの総合評価では、Grok Voice 3.0が86.9点でトップになりました。 Artificial Analysisは、AIモデルの性能や速さを独自に測って公開している第三者の評価機関です。総合評価の点数は、次の4つの結果を合わせて出しています。
- 音声での推論
- サポート通話への対応力（τ-Voice）
- 人による好みの比較
- タスクの成功率
Grok Voice 3.0はこのうちサポート通話への対応力で1位を逃し、別に測っている応答の速さでも前のモデルに届きませんでした。SpaceXSIの発表に掲載された、2026年10月13日時点の評価ごとの点数は次のとおりです。
Grok Voice 3.0と比較対象3モデルの評価点
| 評価 | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 | Gemini 3.8 Live |
|---|---|---|---|---|
| 総合 | 86.9 | 81.3 | 83.2 | 82.6 |
| 音声での推論 | 98.5% | 97.2% | 90.1% | 97.7% |
| 人による好み | 1070 | 1011 | 1048 | 990 |
| タスク成功率 | 94.8% | 94.6% | 87.4% | 89.1% |
| 間や割り込みへの対応 | 97.0% | 95.1% | 94.9% | 91.9% |
| サポート通話 | 71.6% | 56.5% | 74.5% | 68.6% |
「Grok Voice 3.0と比較対象3モデルの評価点」の表の6つの評価のうち、Grok Voice 3.0が1位でないのはサポート通話の評価だけです。比較対象のGPT-Live-1はOpenAIの、Gemini 3.8 LiveはGoogleのモデルです。
総合86.9点、GPT-Live-1の83.2点を超える
総合評価でGrok Voice 3.0は86.9点となり、2位のGPT-Live-1（83.2点）を3.7ポイント超えました。また、前のモデルの2.0は81.3点だったので、5.6ポイント上がっています。会話の間の取り方や割り込みへの対応を測るFull Duplex Benchでも97.0%となり、比較した4つのモデルの中で最も高い点数でした。
"In Artificial Analysis’s independent testing, Grok Voice 3.0 ranks #1 on the Speech-to-Speech Index, with a score of 86.9." — 「The Most Accurate Voice Model」より公式情報を見る →
サポート通話の評価ではGPT-Live-1が74.5%で1位
なまりや周りの雑音、割り込みのあるサポート通話をこなせるかを測るτ-Voiceでは、GPT-Live-1が74.5%で1位でした。一方、Grok Voice 3.0は71.6%で、2.0の56.5%からは大きく伸びています。SpaceXSIによれば、3.0の点数はGPT-Live-1と同程度で、応答までの時間は40%短いとのこと。
"Grok Voice 3.0 scores 71.6%, comparable with GPT-Live-1 (Astra), but at 40% lower latency" — 「The Most Accurate Voice Model」より公式情報を見る →
応答開始までの時間は2.0のほうが短い
話しかけてから応答の音声が流れるまでの時間は、Grok Voice 3.0が0.81秒、前のモデルの2.0は0.70秒でした。 Artificial Analysisの測定では、3.0はGPT-Live-1の1.34秒より速いものの、2.0より0.11秒長くなっています。SpaceXSIは発表で応答の遅れを「1秒未満」としていますが、2.0との速さの比較には触れていません。
"Time to first audio (seconds) on Big Bench Audio" — 「Speed」より公式情報を見る →
ServiceNowの評価でも精度74%で1位
企業で使う音声エージェントを採点するServiceNowのEVA-Benchでも、Grok Voice 3.0の精度は74%で最高の点数でした。 EVA-Benchは、現実に近い業務を想定した200以上の状況で音声エージェントの正確さと会話の体験を採点する仕組みです。SpaceXSIは、正確さと体験を合わせた採点でもGrok Voice 3.0が1位だったと発表しています。
"On EVA-Bench, ServiceNow’s benchmark for enterprise voice agents, Grok Voice 3.0 achieves the highest accuracy score at 74%" — 「The Most Accurate Voice Model」より公式情報を見る →
料金は2.0と同じで1分あたり0.08ドル
Grok Voice 3.0の料金は1分あたり0.08ドル（約12.6円）、1時間にすると4.80ドル（約758円）で、2.0から変わっていません。 料金は会話した時間に応じてかかる仕組みで、テキストでの入力だけが別料金になります。
"Grok Voice 3.0 is available today in the Voice Agent API at $0.08 / min ($4.80 / hr), the same price as Grok Voice 2.0." — 「Pricing and Availability」より公式情報を見る →
テキスト入力には別に0.004ドルかかる
音声のほかにテキストで入力すると、入力1回ごとに0.004ドル（約0.63円）が別にかかります。 この額は2.0と3.0で共通で、音声だけで会話する場合にかかるのは、1分あたりの料金だけです。
"$0.004 / text input" — 「Voice API」の表より公式情報を見る →
1タスクあたりの費用はGPT-Live-1より安い
1タスクあたりの平均費用は、Grok Voice 3.0が0.025ドル（約3.95円）で、GPT-Live-1の0.030ドル（約4.74円）より安くなりました。OpenAIのGPT-Realtime-2.1は、0.055ドル（約8.69円）でした。
この費用は、Artificial Analysisが音声での推論を測るBig Bench Audioを解かせたときのもので、実際の通話1件の費用とは異なります。どのモデルも同じ課題で測っているため、モデル同士の比較には使うことができます。
"Artificial Analysis measures what each model costs to complete a task in its Big Bench Audio run, and Grok Voice 3.0 comes in under both GPT-Live-1 (Astra, Medium) and GPT-Realtime-2.1." — 「The Most Accurate Voice Model」より公式情報を見る →
grok-voice-2.0は非推奨、モデル名の変更で移行
grok-voice-2.0は10月14日に非推奨となりました。また、3.0へ切り替えるにはモデル名をgrok-voice-3.0かgrok-voice-latestに書き換えるだけで、料金も変わりません。SpaceXSIはリリースノートで、2.0の提供をいつ終えるかを明らかにしていません。
"grok-voice-2.0 is deprecated." — 「Grok Voice 2.0 deprecation」より公式情報を見る →
TeslaとStarlinkではすでに使われている
SpaceXSIが発表したGrok Voiceの利用実績
SpaceXSIによれば、Grok Voice 3.0はすでにTeslaの車内とStarlinkのコールセンターで使われています。TeslaとStarlinkの利用件数はどちらもSpaceXSIが発表した数字で、第三者が測ったものではありません。
Teslaの車内では1日数百万件の会話に応答している
Teslaの車内では、Grok Voice 3.0が1日数百万件の会話に応答しています。運転中に手を使わずに、カレンダーを見たりメールに返信したりできるほか、コーヒーの注文やディナーの予約までできるとのこと。また、対話AIのGrok Botの音声モードも、Grok Voice 3.0で動作しています。
"Grok Voice 3.0 handles millions of conversations a day in Tesla vehicles." — 「Used by Millions of Customers at Tesla & SpaceX」より公式情報を見る →
顧客からの電話の約7割をAIだけで解決
Starlinkのコールセンターでは、複数の言語で1日2万件の電話にGrok Voiceが応答し、約70%をAIだけで解決しています。 営業の電話では、4件に1件が通話を切る前に購入まで進むとされています。Grok Voice 3.0で作った1つのエージェントが、本人確認から交換機器の発送までをこなしているとのこと。
"Roughly 70% are resolved with no human in the loop, and one in four sales calls ends in a purchase before the caller hangs up." — 「Used by Millions of Customers at Tesla & SpaceX」より公式情報を見る →
電話対応や速さで選ぶなら3.0とは限らない
総合評価でトップのモデルが、用途ごとの評価でもトップとは限りません。 ここまでの数字から分かるのは次の3つです。
- 電話のサポートに近い条件ではGPT-Live-1が、返答の速さでは前のモデルが勝っている。総合点の順位だけで選ぶと、自社にとって大事な指標で劣るモデルを選ぶことがある
- grok-voice-latestを指定しているユーザーは、速さを重視して2.0を使ってきた場合でも、知らないうちに返答の遅い3.0へ切り替わっている。速さを維持したいなら、いったんgrok-voice-2.0を指定し直し、3.0と比較してから切り替えるとよい
- TeslaとStarlinkでの導入の規模を表す数字は、どれも提供元の発表である。外部の機関が測った数字は、Artificial AnalysisとServiceNowの評価に限られる
発表にある「遅延が40%短い」はGPT-Live-1と比較した数字で、前のモデルの2.0と比較すれば3.0の応答は遅くなっています。導入を考えるなら、自社の通話に近いτ-Voiceの点数と応答の速さの2つを先に確認しておくといいでしょう。
FAQ
- Grok Voice 3.0の料金はいくらですか？
- 1分あたり0.08ドル（約12.6円）、1時間にすると4.80ドル（約758円）で、前のモデルのGrok Voice 2.0と同じです。音声のほかにテキストで入力すると、入力1回ごとに0.004ドル（約0.63円）が別にかかります。
- Grok Voice 2.0から3.0へ切り替えるには何をすればよいですか？
- モデル名にgrok-voice-latestを指定していれば、10月14日から自動で3.0に切り替わっています。grok-voice-2.0を指定している場合は、モデル名をgrok-voice-3.0かgrok-voice-latestに書き換えます。APIの仕様と料金は変わりません。
- Grok Voice 3.0はすべての評価で1位ですか？
- 1位ではない評価もあります。Artificial Analysisの総合評価では86.9点でトップですが、サポート通話をこなせるかを測るτ-VoiceではOpenAIのGPT-Live-1が74.5%で1位です。話しかけてから応答の音声が流れるまでの時間も、前のモデルの2.0（0.70秒）のほうが3.0（0.81秒）より短くなっています。
関連する記事
GrokとCursorとXが1つの契約に、新しいサブスクは月8ドルからSpaceXSI（旧xAI）は10月12日、Grok・Cursor・X Premiumを1つにまとめたThe X Subscriptionを発表しました。料金は月0〜200ドル（約3万1,690円）の5段階で、月30ドル（約4,754円）のPremiumに3サービス合計90ドル（約1万4,260円）分の特典が入ります。今の契約から切り替えると元に戻せません。
Grok Buildが全プランに開放、アプリを作って公開する使い方Grok Buildは2026年8月19日に全プランへ開放され、WebとiOS・Androidのチャットに書くだけでアプリやゲームを作ることができます。5月に出たターミナル版とは別の製品です。作ったアプリはgrok.meで範囲を選んで公開でき、GitHubへの書き出しやアプリ内のAI呼び出しにも対応します。
Grokの暗号化プロンプトインジェクション、6月報告も未修正暗号化した指示でGrokの入力検査をすり抜ける手口を、Adversa AIは2026年6月3日にxAIへ報告しました。この手口は8月19日時点でもGrok.comで成立したと報じられ、実証では会話履歴が外部に送信されたとのこと。xAIは受領を認めたものの、修正時期は明らかにしていません。
Grok 4.5とは？コーディングの性能と料金、Cursorで使う方法Grok 4.5はxAIが2026年7月に公開した、コーディング向けのモデルです。DeepSWE 1.0で3位ですが出力トークンはOpus 4.8の約1/4.2と少なく、API料金は100万トークンあたり入力2ドル（約324円）・出力6ドル（約971円）です。Grok Build・Cursor・APIで使え、後継はGrok 4.7です。