SpaceXSI（旧xAI）は、最新の音声対話AIモデル「Grok Voice 3.0」を正式発表しました。
Grok Voice 3.0は、音声を直接理解して音声で応答する「Speech-to-Speech」方式を採用したAIモデルです。従来モデルと比較して音声推論能力や会話の自然さが向上したほか、1秒未満の低遅延を実現しています。
音声AIの総合評価で首位を獲得
AIモデルの性能を評価するArtificial Analysisが実施したベンチマーク「Speech-to-Speech Index」において、Grok Voice 3.0は86.9ポイントを記録しました。
従来モデルのGrok Voice 2.0が記録した81.3ポイントを上回り、OpenAIの「GPT-Live-1」やGoogleの「Gemini 3.8 Live」を超える評価を獲得しています。
| AIモデル | 総合スコア |
| Grok Voice 3.0 | 86.9 |
| GPT-Live-1（Astra） | 83.2 |
| Gemini 3.8 Live | 82.6 |
| Grok Voice 2.0 | 81.3 |
また、会話中の割り込みや発話の切り替えなどを評価する「Full Duplex Bench」では97.0%を記録しました。
これにより、ユーザーがAIの発話を途中で遮った場合でも、より自然に会話を継続できることが期待されます。
1秒未満の応答速度を実現
Grok Voice 3.0は、応答開始までの遅延を1秒未満に抑えています。
顧客対応を想定した「τ-Voice」では71.6%を記録し、GPT-Live-1に近い性能を実現しながら、約40%低い遅延を達成したとしています。
また、企業向け音声エージェントを評価するServiceNowの「EVA-Bench」では、正確性のスコアで74%を記録しました。
TeslaやStarlinkでも活用
Grok Voice 3.0は、Teslaの車載音声アシスタントやAIエージェント「Grok Bot」にも採用されています。
Teslaでは、カレンダーの確認やメールへの返信に加え、Grok Botを利用した飲食店の予約などにも対応しています。
また、Starlinkのコールセンターでは、Grok Voiceを利用して1日約20,000件の問い合わせに対応しており、その約70%を人間のオペレーターに引き継ぐことなく解決していると説明しています。
API料金は据え置き
Grok Voice 3.0は、開発者向けの「Voice Agent API」を通じて提供されています。
利用料金は従来モデルと同じ1分あたり$0.08（1時間あたり$4.80）に据え置かれました。
また、モデル識別子「grok-voice-latest」を使用しているアプリケーションについては、Grok Voice 3.0への自動切り替えが実施されています。
一方、従来の「grok-voice-2.0」は非推奨となり、新しいモデルへの移行が案内されています。
情報元
