xAI、音声対話モデル「Grok Voice 3.0」公開　価格は据え置き

何が発表されたか

• xAIは2026年10月14日、音声対話（speech-to-speech）モデル「Grok Voice 3.0」を公開した。同社は「世界で最も知的なspeech-to-speechモデル」と説明している。
• 提供はVoice Agent API経由で同日から。grok-voice-latest を指定していたエージェントは自動的に切り替わり、移行作業は不要とされている。
• 価格は1分0.08ドル（1時間4.80ドル）で、Grok Voice 2.0から据え置き。
• 会話のターンの受け渡し、沈黙、割り込みに対応する。Starlinkの導入事例として、顧客の本人確認、機器のトラブルシューティング、クレジットの発行、代替機器の発送といったサポート業務を扱っていると説明されている。
• Grok Botの音声モードとTesla車内でも同モデルが動いている。
• 初回音声までの時間は1秒未満。τ-VoiceではGPT-Live-1（Astra）比で40%低いレイテンシだとしている。
• ベンダー公表のスコアは次のとおり。Artificial AnalysisのSpeech-to-Speech Indexが86.9で1位、Big Bench Audio（音声推論）が98.5%、Speech Agent Arena Eloが1070、タスク成功率94.8%、Full Duplex Bench 97%、τ-Voice 71.6%、EVA-Bench（ServiceNow、正答率）74%。
• Big Bench Audioでのタスク当たりコストは0.025ドルで、GPT-Live-1（Astra, Medium）の0.030ドル、GPT-Realtime-2.1（High）の0.055ドルと比較している。
• 対応言語の一覧は公開されていない。Starlinkのコールセンターが複数言語の通話を扱っているという記載のみ。

開発者への影響

• 価格据え置きのまま置き換わるため、既存の音声エージェントは追加コストなしで性能が変わる可能性がある。grok-voice-latest を使っている場合は自動移行済みなので、応答の質や口調が変わっていないか本番前に確認しておきたい。
• 1分0.08ドルという単価は、電話対応や予約受付の自動化を見積もる際の計算に使える。1時間4.80ドル、100時間で480ドルという規模感になる。
• 初回音声までの時間が1秒未満という点は、電話応答の体験に直結する。待たされる感覚の有無は導入可否を分けやすい。
• 掲載されているスコアはいずれもベンダー公表値。導入判断は自社の想定シナリオで実際に通話テストをして決めるのが確実。
• 対応言語が明示されていないため、日本語での利用を前提にするなら実機検証が前提になる。