Grok Voice 3.0発表：対話がより自然に 企業向けカスタマーサポート評価で首位 すでにTesla車内で稼働
xAIの新世代Speech-to-Speechモデル：第三者機関の総合ランキングで首位、1秒未満で応答開始、難易度の高いカスタマーサポート電話の解決率は前世代比で15パーセントポイント向上、API価格は据え置き。
xAIは新世代の音声モデルGrok Voice 3.0を発表し、「世界で最も賢いSpeech-to-Speechモデル」と謳っている。カスタマーサポート電話のようなリアルタイム通話シナリオを主眼としており、第三者評価機関Artificial AnalysisのSpeech-to-Speech総合ランキングで1位を獲得、1秒未満で応答を開始でき、価格は前世代と同じである。すでにTesla車内やStarlinkのカスタマーサポートで大規模に導入されており、APIを通じて開発者向けにも開放されている。
主な特徴：
- 総合ランキング1位：Artificial AnalysisのSpeech-to-Speech Indexで86.9スコアを記録し、GPT-Live-1（83.2）やGemini 3.8 Live（82.6）を上回る。
- 1秒未満で応答開始：発話者が話し終えてから約0.81秒で最初の音声を発する。カスタマーサポート電話のテストにおいて、精度はGPT-Live-1に迫りつつ、約40%早く応答を開始する。
- 対応が難しい電話でもタスクを完遂：アクセント、背景ノイズ、途中での割り込みを含む模擬カスタマーサポート通話において、解決率が前世代の56.5%から71.6%に向上。
- 対話がより自然に：ポーズ、ターンテイキング、割り込みの処理を評価するFull Duplex Benchで97%のスコアを記録。
- 企業向けカスタマーサポート評価で1位：ServiceNowのエンタープライズ向け音声Agentベンチマーク「EVA-Bench」で正解率74%を記録し、首位を獲得。
- すでに大規模に実運用：Tesla車内で毎日数百万回の対話を処理。Starlinkのカスタマーサポートでは1日2万件の電話を受け、約70%を人間の介入なしで対応。
- 価格は据え置き：Voice Agent APIは1分あたり0.08米ドルで、Grok Voice 2.0と同価格。
grok-voice-latestを利用しているアプリケーションは自動的にアップグレード済み。
どのような種類のモデルなのか
音声AIには一般的なアプローチが2つある。1つは3段階のパイプライン型だ。まず人間の言葉をテキストに変換（音声認識）し、それを大規模言語モデルに渡してテキストの返答を生成させ、最後にそのテキストを読み上げる（音声合成）。各段階で前工程の完了を待つ必要があるためレイテンシが累積する。また、話者の語気、躊躇、言葉の途中の間（ポーズ）も、テキスト化される段階で失われてしまう。
Grok Voice 3.0はもう1つのアプローチである音声・トゥ・音声（Speech-to-Speech）モデルに属する。入力が音声で、出力も直接音声となり、途中でテキストデータを介在させない。このタイプのモデルはより素早く応答を開始でき、全二重での対話も可能だ（電話のように双方が同時に発話でき、人間が口を挟むとそれを聞き取って話を止めることができる）。今回比較対象となったGPT-Live-1やGemini 3.8 Liveもこのカテゴリに属しており、同種のモデル同士で精度、速度、コストを競い合っている。
xAIはGrok Voice 3.0のモデル構造やトレーニング手法を公開しておらず、その実力を判断する材料は主にベンチマーク評価と運用のデータである。
前世代と比べてどこが進化したのか
Grok Voice 2.0と比較すると、その進化は「対応が難しい電話への対処力」と「人間がより対話したくなる点」に集中している：
| 指標 | Grok Voice 2.0 | Grok Voice 3.0 | 変化 |
|---|---|---|---|
| τ-Voice カスタマーサポート電話解決率 | 56.5% | 71.6% | +15.1パーセントポイント |
| 人間による選好 Elo | 1011 | 1070 | +59 |
| 総合指数 | 81.3 | 86.9 | +5.6 |
| Full Duplex Bench | 95.1% | 97.0% | +1.9パーセントポイント |
| タスク成功率 | 94.6% | 94.8% | ほぼ同等 |
| 最初の音声レイテンシ | 約0.70秒 | 約0.81秒 | 約0.1秒遅化 |
通常の通話であれば、2.0でも大半の用件を完了できていたため、タスク成功率はほぼ横ばいである。3.0の進歩はアクセント、ノイズ、割り込みといった困難な条件下にある。応答開始に約0.1秒余計にかかる代わりに、解決率が15パーセントポイント向上した。
性能：精度と速度
τ-Voiceは、音声Agentに模擬カスタマーサポート通話を対応させるベンチマークである。発話者は多様なアクセントを持ち、背景にノイズがあり、途中で話を遮ってくる状況で、最終的に用件を解決できるかを検証する。下図の縦軸は解決率、横軸は「最初の音声レイテンシ」（発話者が話し終えてから、モデルが最初の音声を発するまでの時間）を表す。元のグラフの横軸は反転して描かれており、右に行くほど高速で、右上に位置するほど優れている。
τ-Voice：成功率と応答の速さ
モデルを選んで Grok Voice 3.0 と比べる
GPT-Live-1 の成功率は 74.5% で、Grok Voice 3.0 より 2.9 ポイント高い。ただし話し始めまで約 1.34 秒かかり、約 0.53 秒遅い。
成功率は元の図の表記。遅延は数値が示されていないため点の位置から換算（誤差 ±0.02 秒）。灰色の点は元の図で名前が示されていない他モデル。データ：Artificial Analysis。
具体的な数値（成功率は元グラフの記載値。レイテンシは元グラフに数値表記がないため位置からの換算値であり、誤差は約0.02秒）：
- Grok Voice 3.0：成功率71.6%、約0.81秒で応答開始。
- GPT-Live-1 (Astra, Medium)：成功率74.5%で、Grokより2.9パーセントポイント高く、グラフ内で唯一Grokより精度の高いモデルである。しかし応答開始までに約1.34秒かかり、約0.5秒遅い。xAIはGrokのほうが「レイテンシが40%低い」と述べており、計算上は約39.5%低減している。
- Gemini 3.8 Live (Ext. Thinking, High)：68.6%、約1.35秒。
- グラフ内には他に名前が記載されていない12個のグレーのプロットが存在するが、いずれもGrok Voice 3.0より遅いか、精度が劣っている。
実際の電話に置き換えて考えてみる。顧客が「インターネットが切断された」と言ったとき、あるAIは0.8秒後に言葉を返し、別のAIは1.3秒以上待たせる。後者の空白時間は、相手に「聞こえていないのではないか」と思わせやすい。逆に、GPT-Live-1の2.9パーセントポイントのアドバンテージは、このような電話100件につき約3件多く問題を解決できることを意味する。どちらを選択するかは、ビジネスにおいて遅延を嫌うか、それとも誤りを嫌うかによる。
Artificial Analysisの総合比較において、Grok Voice 3.0は全項目で1位を獲得している（GPT-Live-1はAstra, Medium、Gemini 3.8 LiveはExt. Thinking, High）：
| 指標 | Grok 3.0 | GPT-Live-1 | Gemini 3.8 |
|---|---|---|---|
| 総合指数 | 86.9 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 90.1% | 97.7% |
| 人間による選好 Elo | 1070 | 1048 | 990 |
| タスク成功率 | 94.8% | 87.4% | 89.1% |
| Full Duplex Bench | 97.0% | 94.9% | 91.9% |
- 総合指数：Artificial AnalysisによるSpeech-to-Speechの総合スコア。音声推論、τ-Voice、ブラインド通話テストにおける選好度および解決率を統合したもの。
- Big Bench Audio：音声で出題される推論タスクであり、「聞き取った上で正しく思考できるか」を測定する。
- 人間による選好 Elo（Speech Agent Arena）：2つのモデルが匿名で人間と通話を行い、人間がどちらを好むかを選択し、勝敗に基づいてスコアを算出する。
- タスク成功率：同様のブラインド通話テストにおいて、最終的に用件が解決された割合。
- Full Duplex Bench：ポーズ、ターンテイキング、割り込みへの対応が自然であるかどうかを評価する。
なお、この表の競合モデルおよび指標はxAIが選定したものであり、τ-Voiceは前述の散布図に切り出されている。その項目ではGPT-Live-1のほうがスコアが高い。
エンタープライズ領域における外部評価として、ServiceNowのEVA-Bench（ServiceNowがオープンソース化したエンタープライズ向け音声Agentベンチマーク。200以上の実エンタープライズサービスシナリオを網羅し、精度と顧客体験の双方を評価）がある。Grok Voice 3.0は正解率74%で1位となり、精度と顧客体験を総合した評価でも最も優れたパフォーマンスを示したモデルとなった。ServiceNowでAgent評価および責任あるAIを担当するプロダクトマネジメント・シニアディレクターのNitin Aggarwalは、本モデルがEVA-Benchにおいて「新たなパレートフロンティアを切り拓いた」（精度と体験の2つの側面において、双方でこれを超えるモデルは他に存在しない）と評価している。
すでにどこで導入されているのか
Tesla車内：毎日数百万件の対話を処理している。ドライバーはConnectorsを通じてカレンダーの確認やメールへの返信といった手軽な操作を行えるほか、コーヒーの注文やディナーの予約など、より大きなタスクをGrok Botに任せることも可能で、全行程をハンズフリーで行える。Grok Botの音声モードもGrok Voice 3.0によって駆動している。
Starlinkのカスタマーサポート：Grok Voiceを用いて毎日2万件の多言語電話に対応している。約70%は人間の介入なしで解決に至っており、営業電話では4件に1件が通話を終える前に成約に至っている。Grok Voice 3.0をベースとした1つのAgentが、顧客の本人確認、ハードウェア障害のトラブルシューティング、補償クレジットの発行、交換機器の発送手配といったアフターサポートの一連の流れを完結させることができる。
これらの数字はxAIの自己申告によるものであり、集計期間や「解決」の判定基準は明らかにされていない。また、Starlinkに関する記述全体では「Grok Voice」と表記されており、単一のAgentに関する記述のみが明確に3.0と言及されている。
どのように利用するのか
- 一般ユーザー：Tesla車内で音声アシスタントを利用するか、Grok Botの音声モードを使用する。
- 開発者：xAIのVoice Agent APIを通じて統合可能。xAIのコンソールで音声Agentを作成して試用できる。実装手順についてはxAIの音声ドキュメントを参照。
- すでに導入済みのアプリケーション：モデル名に
grok-voice-latestを指定しているAgentは、コードを変更することなく自動的に3.0へ切り替えられている。
価格
Voice Agent APIは1分あたり0.08米ドル（1時間あたり4.80米ドル）で、Grok Voice 2.0と同価格である。
Artificial Analysisは別のコスト比較も行っている。Big Bench Audioを実行した際の1問あたりの平均コストだ。Grok Voice 3.0は0.025米ドル、GPT-Live-1 (Astra, Medium)は0.030米ドル、GPT-Realtime-2.1 (High)は0.055米ドルである。この問題セットにおいて、GrokはGPT-Live-1より約17%安く、GPT-Realtime-2.1の半額以下となっている。この数字はどちらがより経済的かを横断的に比較するためのものであり、「カスタマーサポート電話1件あたりいくらかかるか」に直接換算することはできない。実際の通話時間やターンの往復回数はテスト問題とは異なるためだ。
GPT-Live-1のAPIは「フロントエンドの音声レイヤー」とバックエンドのモデルで個別に課金される仕組みとなっており、Grokの1分あたりの一括従量制とは計算方法が異なる。価格を比較する際は前提条件を揃える必要がある：