SpaceXSI（旧xAI）は2026年10月14日（米国時間）、AIモデル「Grok Voice 3.0」を公開しました。人が話した声をそのまま受け取り、声で答える「音声から音声へ」のモデルで、電話の応対や車の中での会話など、声でやり取りするAIエージェントを作るために使います。開発者向けの「Voice Agent API」から、公開した日から使えます。
Grokを開発してきたxAIは、SpaceXに買収されたあと「SpaceXAI」となり、10月からは「SpaceXSI」の名前を使っています。今回の発表のページも「SpaceXSI」の名前で出ています。
Grok Voice 3.0とは
これまでの音声AIの多くは、声をいったん文字に起こし、文章で答えを作ってから、それを声に変えるという段階を踏んでいました。Grok Voice 3.0のような音声から音声へのモデルは、声のまま理解して答えるため、待ち時間が短く、自然な会話に近づけやすいのが特徴です。SpaceXSIは、答えが返るまでの時間は1秒未満だとしています。
開発者向けの資料によると、常に最新の版を指す設定（grok-voice-latest）を使っているアプリは、自動でGrok Voice 3.0に切り替わります。前の版のGrok Voice 2.0は、非推奨（今後の利用を勧めない扱い）になりました。
料金
料金は1分あたり0.08ドル（1時間あたり4.80ドル）で、Grok Voice 2.0と同じです。SpaceXSIは、Artificial Analysisの音声の評価「Big Bench Audio」での1つの作業あたりの費用が約0.025ドルで、比べたOpenAIのGPT-Live-1（0.030ドル）とGPT-Realtime-2.1（0.055ドル）より安いとしています。
性能の評価
SpaceXSIが発表で紹介した主な結果は次のとおりです。
- Artificial Analysis Speech-to-Speech Index：86.9で1位。OpenAIのGPT-Live-1は83.2、GoogleのGemini 3.8 Liveは82.6
- Full Duplex Bench（相手の話をさえぎったり、さえぎられたりする自然な会話の評価）：97%
- τ-Voice（声で依頼された作業をやり遂げられるかの評価）：71.6%。この項目ではOpenAIのGPT-Live-1（74.5%）が上回り、GoogleのGemini 3.8 Liveは68.6%
- EVA-Bench（ServiceNowによる企業向け音声エージェントの評価）：正答率74%
EVA-Bench以外の数値は、AIモデルを比較している第三者の評価サイト「Artificial Analysis」によるものです。
実際の使われ方
SpaceXSIによると、Grok Voiceはすでに、同じイーロン・マスク氏の企業であるTeslaの車の中で、1日に数百万件の会話を処理しています。また、衛星インターネットのStarlinkのサポート窓口では、1日約2万件の電話のうち約70%を、人が代わることなく解決しているとしています。
CoAI編集部の視点
Grok Voice 3.0は、一般の利用者向けのアプリの機能ではなく、企業や開発者が音声の窓口やアシスタントを作るためのAPIです。料金を据え置いたまま性能を上げたとしており、電話の自動応対などを検討している企業には比べる候補が増えました。翌日にはOpenAIもChatGPTの音声モデルを新しくしており、音声AIの競争は激しくなっています。
一方で、項目によってはOpenAIのモデルが上回っており、すべての面で優れているわけではありません。Grokのアプリの音声会話がいつ新しいモデルになるのかや、日本語でどの程度自然に話せるかも示されていないため、日本語の窓口で使う場合は、実際の会話で試して確かめる必要があります。
