SpaceXAIは2026年10月14日、speech-to-speechモデル「Grok Voice 3.0」を発表し、Voice Agent APIで提供を開始しました。Artificial AnalysisのSpeech-to-Speech Indexで86.9を記録して1位となり、価格はGrok Voice 2.0と同じ0.08ドル/分です。
GrokはSpaceXAIが開発するAIモデル・サービスのファミリーで、音声の処理も提供しています。
何が新しいか
SpaceXAIはGrok Voice 3.0について、カスタマーサポート通話の解決性能、1秒未満のレイテンシー、コストの3点を訴求しています。τ-Voiceでは71.6%とGPT-Live-1(Astra)と同等のスコアを、40%低いレイテンシーで出したとしています。Artificial AnalysisのBig Bench Audio実行時のタスクあたり平均コストでも、GPT-Live-1(Astra, Medium)とGPT-Realtime-2.1を下回ったと説明しています。
ベンチマーク
Artificial Analysis(2026年10月13日時点)の比較は次のとおりです。
| 指標 | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, Medium) | Gemini 3.8 Live (Ext. Thinking, High) |
|---|---|---|---|---|
| AA Speech-to-Speech Index | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio(Speech Reasoning) | 98.5% | 97.2% | 90.1% | 97.7% |
| Speech Agent Arena Elo | 1070 | 1011 | 1048 | 990 |
| Task Success Rate | 94.8% | 94.6% | 87.4% | 89.1% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
Speech-to-Speech Indexは、speech reasoning、τ-Voice、ブラインド対戦通話での選好とタスク成功を組み合わせた指標です。Full Duplex Benchは、間・ターンテイキング・割り込みへの対応の自然さを測ります。
ServiceNowの企業向け音声エージェントベンチマークEVA-Bench(200以上の企業シナリオ)では、正確性スコア74%で最高となり、正確性と顧客体験を合わせた評価でも最高性能とされています。ServiceNowのNitin Aggarwal氏(Agentic Evals and RAI担当シニアディレクター)は「EVA-Benchで新たなパレートフロンティアを示した」とコメントしています。
提供条件・使い方
- 提供先: Voice Agent API(2026年10月14日から利用可能)
- 価格:
$0.08 / min($4.80 / hr)、Grok Voice 2.0と同価格 grok-voice-latestを指定しているエージェントは、変更なしで自動的にGrok Voice 3.0へ切り替わっています
実運用での利用
Teslaの車内では1日数百万件の会話を処理しており、Connectorsによるカレンダー確認やメール返信、Grok Botによるコーヒー注文や夕食予約をハンズフリーで行えます。Grok Botの音声モードにもGrok Voice 3.0を使っています。Starlinkのコールセンターでは1日20,000件の顧客通話に多言語で対応し、約70%を人間の介在なしで解決しています。営業通話の4件に1件は通話中に購入に至るとしています。Grok Voice 3.0上の単一エージェントが、本人確認、ハードウェアのトラブルシューティング、クレジット付与、交換機器の発送までを担っています。
まだコメントはありません。