For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ja/articles/grok-voice-3-0-pricing-and-voice-agent-be-c2aec656.md.
xAIは2026年10月14日、音声間モデルのGrok Voice 3.0を発表し、Voice Agent APIを通じて、発表時点で**1分あたり0.08ドル**で提供開始しました。このリリースでは、サポート通話、自然な会話処理、接続されたツールを通じたアクション実行が強調され...
xAIは2026年10月14日、音声間モデルのGrok Voice 3.0を発表し、Voice Agent APIを通じて、発表時点で1分あたり0.08ドルで提供開始しました。このリリースでは、サポート通話、自然な会話処理、接続されたツールを通じたアクション実行が強調されています。
このリリースは、独立したベンチマークのリーダーボード、別個のエンタープライズ評価フレームワーク、および同社が報告した導入実績という、複数種類の根拠によって裏付けられています。これらはそれぞれ異なる問いに答えるため、ベンチマーク性能、本番環境に関する主張、API価格を分けて捉えることが重要です。
発表された料金は1分あたり0.08ドルで、1時間では4.80ドルに相当します。xAIによると、この価格はGrok Voice 2.0から変更されておらず、grok-voice-latestエイリアスを使用するエージェントは自動的に新バージョンへ移行されました。
10月15日に確認した公式料金ページには、音声間APIについてテキスト入力1件あたり0.004ドルも記載されています。この料金項目は1分あたりの主要料金とは別であり、音声セッションにテキストを送信するアプリケーションでは考慮が必要です。
このエイリアスは既存アプリケーションにとって重要です。恒久的に固定されたリリースではなく、現在の音声モデルを示すため、開発者は識別子を編集しなくても、変化したモデルの挙動を受け取る可能性があります。発表では自動切り替えに移行作業は不要とされていますが、既存エージェントに対する回帰テストの価値がなくなるわけではありません。
また、分単位のモデル料金は、コンタクトセンター運営の総コストと同じではありません。電話基盤、アプリケーションインフラ、外部ツール、人間へのエスカレーションは別途考慮すべき項目であり、発表ではモデル料金にこれらすべてが含まれるとは主張されていません。
10月15日に確認したArtificial Analysisのライブリーダーボードでは、Grok Voice 3.0がSpeech-to-Speech Indexで86.9のスコアを獲得し、首位に掲載されています。この指標は、音声推論、エージェント性能、人間の選好、タスク成功を統合したものです。統合比較に掲載されるには、モデルに必要なコンポーネントデータが揃っている必要があります。
リリース発表では、10月13日時点のArtificial Analysisによるものとして、前バージョンとの以下の比較が示されています。
| 指標 | Grok Voice 3.0 | Grok Voice 2.0 |
|---|---|---|
| Speech-to-Speech Index | 86.9 | 81.3 |
| Big Bench Audioの音声推論 | 98.5% | 97.2% |
| Speech Agent Arenaの選好Elo | 1070 | 1011 |
| Arenaのタスク成功率 | 94.8% | 94.6% |
| Full Duplex Bench | 97.0% | 95.1% |
| tau-Voiceのサポートタスク成功率 | 71.6% | 56.5% |
これらのパーセンテージを同列に扱うことはできません。Big Bench Audioは音声による推論問題を評価する一方、tau-Voiceはツールとポリシーを伴うシミュレートされたサポート業務を評価します。Arenaの選好は、人々が匿名化された2つのエージェントを比較した結果を反映し、そのタスク成功指標は対象シナリオの成功完了に関するものです。
Full Duplex Benchは、間、ターンテイキング、割り込み、短い相づちなどの会話挙動を評価します。エージェントが発信者にかぶせて話したり、不適切なタイミングで止まったりしないかを測るうえで関連しますが、返金や再予約が正しかったかを直接測定する指標ではありません。
Artificial Analysisのリーダーボードでは、Grok Voice 3.0はBig Bench Audio評価において最初の音声出力まで0.81秒と記載されています。これは当該テストにおける1秒未満の結果を裏付けるものですが、すべての顧客があらゆるネットワーク環境で0.81秒以内に応答を聞けるという保証ではありません。
xAIは、Astraのmedium構成におけるGPT-Live-1とtau-Voice性能を比較しています。リリースチャートでは、Grok Voice 3.0のタスク成功率は71.6%、この競合モデルは74.5%とされる一方、Grokのレイテンシーは約40%低いと主張されています。これは性能と応答性の比較であり、Grokがあらゆる個別指標で優位であるという主張ではありません。
以前のGrok Voice 2.0は、ライブリーダーボードのレイテンシー指標で0.70秒と記載されています。したがって、新リリースを前バージョンより一律に高速と説明すべきではありません。報告された品質指標は改善している一方、この特定のレイテンシーテストではわずかに時間が長くなっています。
発表では、Big Bench Audioのタスク平均コストが0.025ドルであることも引用されており、指定構成のGPT-Live-1は0.030ドル、GPT-Realtime-2.1 Highは0.055ドルと比較されています。これらはベンチマーク用ワークロードのコストであり、任意の本番通話に対する固定価格でも、他の音声モデルがより安価ではないことの証明でもありません。
xAIは、EVA-Benchで74%の正確性スコアを得たことに加え、正確性と体験の総合的な性能が高いと報告しています。この結果はリリース発表内の主張であり、フレームワークが測定する対象を確認するために、ServiceNowの公開プロジェクトページを確認しました。
EVA-Benchは、ボット間セットアップを用いて、完全な複数ターンの音声会話を評価します。公開されている概要には、次の3つの領域が挙げられています。
| 領域 | シナリオ数 | ツール数 |
|---|---|---|
| カスタマーサービス | 50 | 15 |
| ITサービスマネジメント | 80 | 59 |
| 人事 | 83 | 47 |
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
このフレームワークは、タスク正確性であるEVA-Aと、会話体験であるEVA-Xを分けています。この区分はエンタープライズ向けエージェントで有用です。洗練された会話でも不正確なアクションで終わることがあり、正しいアクションでも発信者にとって不十分な体験になる場合があるためです。
xAIは、Grok VoiceがTeslaとSpaceX全体で毎日数百万件の会話をサポートしていると述べています。Tesla車両におけるハンズフリーのリクエストや、接続サービスを伴うタスクを含むGrok Botのボイスモードについて説明しています。
Starlinkについては、同社は複数言語で1日あたり約20,000件の顧客通話を処理し、その約70%が人間を介さずに解決されていると報告しています。また、営業電話の4件に1件が購入に至るとしており、エージェントが本人確認、トラブルシューティング、クレジット処理、交換機器の対応を行うと説明しています。
これらは企業が報告した運用上の数値です。発表では、通話の難易度、エスカレーション基準、またはすべての数値が測定された期間について、独立監査済みの内訳は提示されていません。モデルを評価する企業は、自社のポリシー、ツール権限、騒音のある音声、人間への引き継ぎ要件をテストすべきです。
Grok Voice 3.0は、会話型エージェント向けのxAIの音声間モデルです。発表では、音声推論、サポートタスク、ツール利用、ライブ会話のダイナミクスの処理に焦点が当てられています。
xAIはVoice Agent APIの料金を1分あたり0.08ドル、1時間あたり4.80ドルと発表しました。請求条件については最新の料金ドキュメントを確認し、モデルAPI以外のサービスについては別途予算を見込んでください。
grok-voice-latestを使用しているアプリケーションは移行が必要ですか？xAIによると、このエイリアスはコード変更なしで自動的にGrok Voice 3.0へ切り替えられました。ただし、既存ユーザーはモデル変更後にプロンプト、ツール、通話処理の挙動を評価する必要があります。
いいえ。引用された1秒未満の数値はベンチマーク測定値であり、その指標ではより高速なモデルもあります。発表における主なレイテンシー比較は、同程度のサポートタスク性能を持つ特定構成のGPT-Live-1との比較です。
このIndexは、推論やタスク完了を含む音声エージェント性能の複数指標を統合したものです。Full Duplex Benchは、割り込み、間、ターンテイキングの処理など、会話上の挙動に焦点を当てています。
いいえ。xAIはStarlink通話のおよそ70%が人間の関与なしに解決されていると報告していますが、これは特定導入環境における結果です。他の企業で同じ解決率が得られることを示すものではなく、エスカレーション経路の必要性をなくすものでもありません。
Grok Voice 3.0は、発表された1分あたり0.08ドルのAPI料金を維持しながら、前バージョンの報告済み音声・サポートタスク結果を改善しています。最も有力な根拠は、明確なベンチマーク定義と、特定の導入環境に関連する測定結果を組み合わせて評価することです。
サポートワークフローをこのモデルへ移行する前に、タスクの正確性、会話挙動、レイテンシー、運用総コストをまとめて評価してください。
ひとことから始めて、数分で完全なサイトを手に入れましょう。
