xAI、音声エージェント向け音声間変換モデル「Grok Voice 3.0」を発表

xAIは2026年10月14日、Grok Voice 3.0を発表し、音声から音声への変換モデルをVoice Agent APIで1分あたり0.08ドルで利用可能にした。同社は、Grok Voice 3.0を世界で最も高性能な音声モデルと説明し、顧客サポートの電話対応を解決する性能で新記録を達成したと述べた。また、応答速度は1秒未満で、他の最先端モデルより運用コストが低いという。

xAIによると、Grok VoiceはTeslaとSpaceXで1日に数百万件の会話を支えており、新バージョンは前バージョンと同じ価格で提供を開始した。

xAIが公表したベンチマーク結果

xAIの発表では、2026年10月13日付のArtificial Analysisによる独立テストが引用されており、Grok Voice 3.0はSpeech-to-Speech Indexで86.9点を獲得し、首位に立ったと報告されている。発表とともに公開された比較表では、GPT-Live-1（Astra、Medium）が83.2点、Gemini 3.8 Live（Extended Thinking、High）が82.6点、Grok Voice 2.0が81.3点だった。

xAIによると、各指標の結果は、Big Bench Audioの音声推論が98.5%、Speech Agent Arenaの選好Eloが1070、タスク成功率が94.8%、そしてモデルが間や発話交代、割り込みをどれほど自然に処理できるかを測るFull Duplex Benchが97.0%だった。同じ表に掲載されたGrok Voice 2.0の数値は、順に97.2%、1011、94.6%、95.1%だった。

模擬顧客サポート通話をもとにしたベンチマークtau-Voiceでは、xAIはGrok Voice 3.0が71.6%を記録したと報告し、遅延が40%低いGPT-Live-1（Astra）に匹敵する結果だと説明した。公開されたグラフによると、GPT-Live-1（Astra、Medium）は74.5%、Gemini 3.8 Live（Extended Thinking、High）は68.6%、Grok Voice 2.0は56.5%だった。

xAIはまた、Artificial AnalysisによるBig Bench Audioの実行で測定されたタスクあたりの平均コストが、Grok Voice 3.0では0.025ドルだったと報告した。GPT-Live-1（Astra、Medium）は0.030ドル、GPT-Realtime-2.1（High）は0.055ドルだった。

Artificial Analysisによる音声モデルの評価方法

Artificial AnalysisはSpeech-to-Speech Indexを、4つの構成要素を均等に重み付けしたスコアと定義している。内訳は、Big Bench Audioによる音声推論、tau-Voiceによるエージェント性能、アリーナでの選好、タスク成功率だ。インデックスのスコアを得るには、モデルが4項目すべてで結果を出す必要がある。

Big Bench Audioは、Big Bench Hardをもとに作成した1,000問の音声問題で構成され、4つのカテゴリーに各250問が含まれる。カテゴリーは、形式的誤謬、経路探索、物体の数え上げ、虚偽情報の見抜き方だ。モデルには各問題が音声で提示され、音声で回答する。回答は正解または不正解として採点される。

tau-Voiceでは、音声ユーザーシミュレーターが評価対象のモデルに電話をかける。モデルは、分野に特化したツールとポリシー文書を利用できる顧客サポートエージェントとして動作する。各タスクには有効なデータベースの最終状態が1つだけ定められており、評価では最終状態をその正解データと比較する。グラフに示された結果は、利用可能な場合、3回の試行の平均値だ。アリーナ選好の評価要素は、同じシナリオを2つの身元が明かされていないモデルで完了する人間の参加者から算出した、ペアワイズ方式のEloスコアである。

Full Duplex Bench v1は、間の処理と発話交代を対象とする。v1.5では、ユーザーによる割り込みへの対応に加え、相づちへの対応も評価に加わった。たとえば、通話相手が「うん」や「わかりました」と言ったときに、適切に会話を続けられるかを測る。Artificial Analysisは、最初の音声が出力されるまでの時間を、音声出力の最初のトークンを生成するのに必要な秒数と定義している。

ServiceNowのEVA-Benchでの結果

xAIによると、Grok Voice 3.0は、ServiceNowが企業向け音声エージェントを評価するために実施するベンチマークEVA-Benchで、正確性スコア74%を記録して最高得点を獲得した。また、正確性と顧客体験を総合的に評価した場合にも、最も優れたモデルだった。

ServiceNowでエージェント評価とRAIを担当するプロダクトマネジメント担当シニアディレクターのNitin Aggarwalは、発表とともに公開された声明で、Grok Voice 3.0は「EVA-Benchで新たなパレートフロンティアを打ち立てた。ServiceNowのオープンソースベンチマークであるEVA-Benchは、200を超える現実的なエンタープライズのシナリオを通じて、音声エージェントの正確性と体験を評価する」と述べた。

ServiceNow AI Researchは、EVA-Benchを、ボット同士がやり取りするアーキテクチャを用い、複数ターンにわたる一連の音声会話を通じて音声エージェントを評価するオープンソースの評価フレームワークと説明している。このベンチマークは3つの分野を対象とする。顧客サービスでは、15種類のツールと50のシナリオを用いて、運航に支障が生じた場合の航空券の再予約、利用者都合による変更、キャンセル、バウチャーを扱う。ITサービスマネジメントでは59種類のツールと80のシナリオを、HRでは47種類のツールと83のシナリオを用い、福利厚生、スケジュール管理、休暇、ポリシーに関する質問を扱う。エージェントは2つの観点で採点される。EVA-Aはタスクを正しく完了したかを測定し、EVA-Xは会話体験の質を測定する。EVA-Benchは、ServiceNowのベンチマーク群「NOWAI-Bench」の一部である。

TeslaとStarlinkでの導入

xAIによると、Grok Voice 3.0はTesla車内で1日に数百万件の会話に対応している。ドライバーは、カレンダーの確認やメールへの返信といった依頼にはConnectorsを、大きなコーヒーを注文したり夕食を予約したりするような依頼にはGrok Botを使うことができ、いずれもハンズフリーで操作できる。このモデルはGrok Botの音声モードも支えている。

xAIによると、Starlinkのコールセンターでは、Grok Voiceを使って複数の言語で毎日20,000件の顧客からの電話に対応しています。その約70%は人間が介在せずに解決され、営業電話の4件に1件は、相手が電話を切る前に購入につながります。Grok Voice 3.0を基盤とする単一のエージェントが、顧客の本人確認、ハードウェアのトラブルシューティング、クレジットの付与、交換機器の発送を行います。

料金と提供状況

Grok Voice 3.0はVoice Agent APIで利用でき、料金は1分あたり$0.08、または1時間あたり$4.80です。Grok Voice 2.0と同じ料金です。xAIによると、grok-voice-latestを使用しているエージェントは自動的に切り替えられており、変更は必要ありません。