Grok Voice 3.0とは？
Grok Voice 3.0（grok-voice-3.0）は、SpaceXSIのVoice Agent APIを支える音声対音声モデルで、聞く、考える、ツールを呼ぶ、話して答えるを1つのモデルで行います。2026年10月14日に公開され、非推奨となったGrok Voice 2.0を同じ価格で置き換えました。エイリアスのgrok-voice-latestは自動でこちらを指すようになっています。
WebSocketかWebRTCで動き、Twilio、Telnyx、Plivo、またはTLSでSpaceXSIに転送する任意の事業者を通じてSIPで電話を受けられ、通話の転送やキーパッド入力にも対応します。内蔵ツールはWeb検索、X検索、Collectionsでのファイル検索、リモートMCPサーバーで、独自の関数も使えます。推論は標準でオンで、オフにもできます。ドキュメントには20の言語・地域コード、SpaceXSIの音声合成と共通の内蔵音声、短い参照音声からの声のクローンが載っています。
SpaceXSIによると、Teslaの車内で1日数百万件の会話を、Starlinkの顧客からの電話を1日約20,000件処理しています。
Grok Voice 3.0の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Audio | $0.08 per minute ($4.80 an hour) | |
| Text input | $0.004 per message |
音声1分あたり0.08ドル（1時間4.80ドル）に、テキスト入力1メッセージあたり0.004ドルが加わります。Grok Voice 2.0と同じで、推論は1分あたりの料金に含まれます。
Grok Voice 3.0は使う価値があるか？
Grok Voice 3.0は、2026年10月13日時点のArtificial Analysisの指標で最も高い点を取った音声対音声モデルです。86.9点で、Astraと組み合わせたOpenAIのGPT-Live-1の83.2点、GoogleのGemini 3.8 Liveの82.6点、自社の前モデルの81.3点を上回ります。Big Bench Audioでも98.5%でGPT-Live-1の90.1%を、間や割り込みを測るFull Duplex Benchでも97.0%で94.9%を上回り、ブラインドの対戦通話でもElo 1070で1048を上回っています。
例外は、サポート窓口に最も近いテストです。顧客対応タスクをこなすエージェントを採点するτ-Voiceでは、GPT-Live-1が74.5%で71.6%を上回ります。SpaceXSIは、このベンチマークでGPT-Live-1より約40%速く、全体でも1秒未満で応答するとしていますが、ミリ秒単位の数値は公表していません。Starlinkの通話の70%が人を介さず解決するという数字を含め、TeslaとStarlinkでの導入実績はSpaceXSI自身のもので、監査されていません。
料金体系はOpenAIより単純です。Grok Voiceは1分0.08ドル、1時間で約4.80ドル、テキストメッセージ1件あたり0.004ドルで、推論も含まれます。GPT-Live-1は1分0.05ドルに、推論を担うテキストモデルのトークン代が加わるため、実際のコストは選ぶモデル次第です。Artificial AnalysisのBig Bench Audioの実行では、SpaceXSIは1タスクあたり平均0.025ドルで、GPT-Live-1は0.030ドル、GPT-Realtime-2.1は0.055ドルだったと報告しています。
運用面の情報は少なめです。モデルはus-east-1でしか動かず、米国リージョン専用エンドポイントでは提供されていません。セッションは最長120分で、公表されているチームごとの同時接続数の上限はレート制限のページで読み取れないため、大規模なコールセンターは営業と上限を取り決める必要があります。短い音声から声をクローンできる機能には明らかな悪用のリスクがあり、ドキュメントに同意の確認についての記述はありません。
データの扱いはSpaceXSIのAPIに準じます。明示的な許可なしに入出力を学習に使わず、不正利用の監査のため標準で30日間保存します。会話履歴はセッション再開を有効にした場合だけ保存され、30分操作がないと破棄されます。ゼロデータ保持では、音声エージェントの会話は一切保存されません。
真価を発揮する場面
300席の通信会社サポート部門のコンタクトセンター設計担当
かかってくる電話の一次対応にAIエージェントを置く
TwilioかTelnyxからSIPで通話を回し、口座の照会を独自関数としてエージェントに与え、referで人に転送します。1分0.08ドルなら月100,000分で、通信料を除いて8,000ドルです。
旅行予約スタートアップのモバイル開発者
アプリに話しかけるだけで予約を変更できるようにする
アプリから一時トークンでWebSocket接続し、最新のフライト情報にはWeb検索を、予約システムには独自関数を使います。5分の通話で約0.40ドルです。
EUの保険会社のコンプライアンス担当者
通話音声をモデルに送ってよいか判断する
処理はus-east-1だけで行われるため、EU内だけでの処理はできません。ゼロデータ保持を使えば会話は保存されませんが、SpaceXSIの営業を通じて有効にする必要があります。
導入前に確認すること
- 導入
- console.x.aiでキーを作り、modelをgrok-voice-3.0かgrok-voice-latestにしてWebSocketセッションを開き、声、指示、ツールを指定したsession.updateを送ります。Grok Voice 2.0の既存コードはモデル名を変えるだけで済みます。
- 連携
- WebSocketとWebRTC、Twilio、Telnyx、Plivo、またはTLSでsip.voice.x.aiに転送する事業者経由のSIP、8 kHzから48 kHzのPCM、G.711、Opusの音声、Web検索、X検索、ファイル検索、MCP、独自関数のツール。
- データとプライバシー
- 明示的な許可なしにAPIの入出力を学習に使いません。不正利用の監査のため標準で30日間保存します。ゼロデータ保持では音声エージェントの会話は保存されず、セッション履歴は再開を有効にした場合だけ残り、30分操作がないと破棄されます。
- 大規模利用時のコスト
- 音声1時間あたり4.80ドルなので、月10,000時間で48,000ドルです。量による割引は公表されていません。
- 制限
- セッションは最長120分。us-east-1のみで運用され、米国リージョン専用エンドポイントでは使えません。キーワードは1つ50文字まで、最大100個です。
良い点
- Artificial Analysisの音声対音声の指標で86.9点の首位
- 推論込みで1分0.08ドルの定額
- Twilio、Telnyx、PlivoによるSIP通話、転送、キーパッド入力
- Web、X、ファイルの検索を内蔵し、MCPと独自関数も使える
- ゼロデータ保持では会話が保存されない
気になる点
- 顧客対応のベンチマークであるτ-VoiceではGPT-Live-1に及ばない
- us-east-1からのみ提供され、米国リージョン専用エンドポイントがない
- 導入実績と遅延の数字はSpaceXSI自身のもの
- 声のクローンに文書化された同意確認がない
- ドキュメントに載っている言語・地域は20だけ
おすすめの人
電話やアプリの音声エージェントを作り、予測しやすい1分あたりの料金で最高水準のベンチ マーク結果を求め、米国のみでの運用を受け入れられるチーム。
Grok Voice 3.0の代替
Grok Voice 3.0：よくある質問
- Grok Voice 3.0は使う価値があるか？
- Grok Voice 3.0は分かりやすい定額料金で独立した音声対音声の指標の首位に立っていますが、サポート型のタスクではまだOpenAIが上回り、すべての通話は米国の1リージョンで処理されます。 評価は5点満点中4.3点です。
- Grok Voice 3.0の料金は？
- 音声1分あたり0.08ドル（1時間4.80ドル）に、テキスト入力1メッセージあたり0.004ドルが加わります。Grok Voice 2.0と同じで、推論は1分あたりの料金に含まれます。
- Grok Voice 3.0の欠点は？
- 顧客対応のベンチマークであるτ-VoiceではGPT-Live-1に及ばない; us-east-1からのみ提供され、米国リージョン専用エンドポイントがない; 導入実績と遅延の数字はSpaceXSI自身のもの; 声のクローンに文書化された同意確認がない; ドキュメントに載っている言語・地域は20だけ.
- Grok Voice 3.0は誰に向いているか？
- 電話やアプリの音声エージェントを作り、予測しやすい1分あたりの料金で最高水準のベンチマーク結果を求め、米国のみでの運用を受け入れられるチーム。
- チームや本番環境でGrok Voice 3.0を使うと費用はいくらか？
- 音声1時間あたり4.80ドルなので、月10,000時間で48,000ドルです。量による割引は公表されていません。
- Grok Voice 3.0は企業データを扱っても安全か？
- 明示的な許可なしにAPIの入出力を学習に使いません。不正利用の監査のため標準で30日間保存します。ゼロデータ保持では音声エージェントの会話は保存されず、セッション履歴は再開を有効にした場合だけ残り、30分操作がないと破棄されます。
- Grok Voice 3.0の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はGPT-Live-1 (and GPT-Realtime-2.1), Gemini Omni Flash 1.1 、 Cartesia Sonic 3.6です。
回答確認日：2026年11月6日
Grok Voice 3.0の開発元の方へ：この評価をサイトに掲載できます
