Grok Voice 3.0をAPIで提供

xAIは10月14日、音声エージェント向けのGrok Voice 3.0をVoice Agent API(アプリ連携用の窓口)で提供開始しました。発表ページは、既存モデルを使うアプリのうち「grok-voice-latest」を指定していたものは自動的に切り替わり、変更不要と説明しています。

1分0.08ドル、評価はベンチマーク条件つき

料金は1分あたり0.08米ドルで、xAIによるとGrok Voice 2.0と同じです。xAIが掲載したArtificial Analysisの10月13日付比較表では、Speech-to-Speech Indexが86.9、Full Duplex Benchが97.0%でした。Speech-to-Speech Indexは複数の評価をまとめた値で、Full Duplex Benchは会話の間や割り込みなどを測る指標です。いずれも実際の業務品質や、すべての会話での優位を保証するものではありません。

ラボの分析

APIの実運用前に地域とタスクを確認

発表は音声エージェントのAPIを対象としており、一般向けGrokアプリでの提供範囲を同じとみなすことはできません。発表ページでは日本での利用条件や、通話の種類ごとの費用上限は示されていません。サポート業務に組み込む場合は、対象言語・割り込み・誤処理時の人への引き継ぎを自社データで確かめる必要があります。

通話の長さ別に見た料金

料金は1分0.08ドル(1時間4.80ドル)です。たとえば5分の通話なら0.40ドル、3分の問い合わせを1,000件受けると3,000分で240ドルになります。xAIは、Big Bench Audioの1タスクあたりの費用を、Grok Voice 3.0が0.025ドル、GPT-Live-1(Astra、Medium)が0.030ドルと比較しています。

日本語は使えるか

xAIの開発者向けドキュメントにある音声エージェントの対応言語の表には、日本語(ja)が載っています。Grok Voice 3.0は2.0と同じ接続先・設定・料金で使えるとも書かれています。

ただし、発表された評価は日本語の会話品質を測ったものではありません。日本語の問い合わせ対応に使うなら、聞き取りや言い回し、割り込まれたときの反応を自社の通話で確かめる必要があります。

xAIが示した比較

発表ページにある比較の一部です。Grok Voice 3.0が多くの項目で上回る一方、τ-VoiceではGPT-Live-1のほうが高い値でした。

評価 Grok Voice 3.0 Grok Voice 2.0 GPT-Live-1 Gemini 3.8 Live
Speech-to-Speech Index 86.9 81.3 83.2 82.6
Big Bench Audio 98.5% 97.2% 90.1% 97.7%
タスク成功率 94.8% 94.6% 87.4% 89.1%
Full Duplex Bench 97.0% 95.1% 94.9% 91.9%
τ-Voice 71.6% 56.5% 74.5% 68.6%

まとめ

Grok Voice 3.0は料金を据え置いたまま評価値を上げたとxAIは説明しており、日本語も対応言語に入っています。比較表にはGPT-Live-1が上回る項目もあるため、問い合わせ対応などに使うなら自社の通話で確かめてから決めるのが確実です。

情報源

一次情報 · xAIIntroducing Grok Voice 3.0

https://x.ai/news/grok-voice-3

原文公開日:2026-10-14

補助情報 · Artificial AnalysisSpeech to Speech Models and Providers Analysis

https://artificialanalysis.ai/speech-to-speech

原文公開日:2026-10-13

一次情報 · xAI Developer DocsVoice Agent API

https://docs.x.ai/developers/model-capabilities/audio/voice-agent

出典は上記のリンクから確認できます。発表元の説明と、編集部による分析・試算は本文中で区別しています。