Grok Voice 3.0とは？変更点と使い方を解説

Grok Voice 3.0とは？

Grok Voice 3.0(モデル名grok-voice-3.0)は、リアルタイム音声エージェント向けの音声対音声モデルで、xAIのAPIで提供されています。xAIは現在ドキュメントにSpaceXSIと署名しているため、リリース前後では両方の名前を目にします。

「音声対音声」は少し立ち止まる価値のあるところです。従来の音声ボットは、音声からテキスト、テキストモデル、テキストから音声という3つのシステムをつないでいました。受け渡しのたびに遅延が増え、声のトーンも失われます。音声対音声モデルは3つの仕事を一度にこなすため、発信者が苛立っているのを聞き取り、相手が同じ話を繰り返し始める前に答えられます。このトレードオフの詳しい話は、Grok Voice 2.0の解説で説明しています。

私はeeselでAIエージェントを作っているので、こうしたリリースは配管の側から読みます。何が入り、何が出て、知識が実際にどこにあるのか、という見方です。そう読むと、Grok Voice 3.0は同時にいくつもの顔を持っています。

• WebSocketで呼び出すモデル。 音声対音声ドキュメントによれば、wss://api.x.ai/v1/realtimeに接続します。
• エージェントのランタイム。 アップロードしたドキュメントの検索、自社関数の呼び出し、通話中のMCPサーバーへの接続ができます。
• すでに負荷のかかった本番システム。 xAIのローンチ記事によると、Teslaの車内で1日数百万件の会話をこなし、Grok Botの音声モードを支え、Starlinkのサポート電話を1日2万件受けています。そのうち約70%は人間の介在なしです。

ランディングページで気づいた小さな点があります。「#1 Tau Voice Leaderboard」と謳っていますが、Artificial Analysis自身のτ-Voiceの結果ではGrok Voice 3.0はGPT-Live-1 (Astra)に次ぐ2位です。別のリーダーボードを引用しているのかもしれません。それでも、事業提案書に順位を書くなら、手法を公開しているArtificial Analysisの表を引用してください。

Grok Voice 2.0から何が変わったのか？

短く言うと、モデルはサポート業務を最後までやり遂げる力が大きく上がり、話し始めるまでが少し遅くなった一方で、APIも請求も何も動いていません。リリースノートは一言で述べています。「The API is unchanged.」

以下が前後の比較の全体です。ベンチマークの数値はすべてArtificial Analysis、それ以外はxAIのドキュメントによるものです。

系譜全体を並べると跳ね上がりが分かりやすくなります。Grok Voice 1.0の指数は半年足らず前に73.7で、サポートタスクのスコアは1.0から2.0までほとんど動いていませんでした。

面白いのは、2.0が速度のリリースで、3.0が頭脳のリリースだということです。 2.0は最初の音声を1.25秒から0.70秒に縮めました。3.0はそのうち約0.1秒を手放し、タスクを正しくこなすことに充てています。サポート回線にとっては正しい取引だと思います。

ベンチマークをやさしい言葉で

ベンチマーク名はローンチ記事を読みにくくするので、それぞれが何を測っているかを整理します。

• τ-Voiceは、ツールとポリシー文書を持った状態で、模擬のサポート通話(航空、小売、通信)をモデルにこなさせます。最終的なアカウントの状態が完全に正しいときだけ得点になります。サポートリーダーが注目すべきはこれです。
• Task Success Rateは、Artificial Analysisのアリーナで、実在の人が2つの非公開モデルとライブ通話し、用件が済んだかを判定した結果です。
• Arena Eloは同じアリーナで、どのモデルと話したいと感じたかで採点します。
• Big Bench Audioは音声の質問に対する推論力を測ります。Grok Voice 3.0は98.5%で、ほぼ頭打ちです。
• Full Duplex Benchは話者交代、つまり間、割り込み、発信者の声に被せないことを測ります。

Artificial Analysisは自分たちのスレッドでこのローンチをこうまとめています。

"Grok Voice 3.0 debuts at #1 at 86.9, ahead of GPT-Live-1 (Astra, medium) at 83.2, Gemini 3.8 Live Extended Thinking (High) at 82.6 and GPT-Live-1 (Sol, low) at 80.1."

Artificial Analysis, X

外部ベンチマークとして、xAIはServiceNowが公開する200以上の企業向け音声シナリオのオープンなベンチマークEVA-Benchも挙げ、Grok Voice 3.0が74%で最高の精度を記録したと報告しています。コスト面では、ローンチ記事がArtificial Analysisの測定するタスクあたり0.025ドルを引き、GPT-Live-1 (Astra)の0.030ドル、GPT-Realtime-2.1の0.055ドルと比べています。

Grok Voice 3.0の通話は実際どう動くのか

ここはほとんどのローンチ報道が飛ばす部分で、正直、エージェントの出来を決めるのもここです。1つの会話が1つのセッションです。アプリ(または電話キャリア)がセッションを開き、設定を入れたsession.updateを送り、通話が終わるまで双方向に音声をストリーミングします。

サポートエージェントにとって特に重要なセッション設定です。すべてセッションパラメータの表から引いています。

ツールこそ、モデルが話し手からエージェントへ変わる場所です。file_searchはアップロードしたドキュメントコレクションを読み、functionは自社のコードを呼び、mcpはリモートのMCPサーバーにつなぎます。リアルタイムのツール呼び出しを作ったことがある人なら、難しいのは関数が動いている間の無音だと知っています。ドキュメントにはツール呼び出し中の音声の重なりを避ける節がまるごとあり、xAIが実際の発信者に提供してきた証拠だと感じます。

電話は自社のキャリア経由

電話回線の場合、Grok Voice 3.0はSIPで着信を受けます。SIPガイドは具体的です。すでに持っている番号を登録し(origin: "byo_trunk")、キャリアのSIPトランクをxAIに向け、着信ごとに署名付きのウェブフックを受け取ります。APIでSpaceXSIの電話番号を発行することは非対応なので、キャリアのアカウントを前提にしてください。ガイドにはTwilioとTelnyxの設定手順があり、どのSIPプロバイダでも動きます。

電話まわりで気に入った点が2つあります。キー入力(DTMF)はバッファされてテキストとしてモデルに渡されるので、「請求は1を押してください」が今も機能します。そしてrefer呼び出しは発信者を別の番号に転送し、人間側が応答したかを同期的に教えてくれます。まさに人間への引き継ぎに必要なものです。

言語

ドキュメントにはネイティブのアクセントに対応した20の言語エントリが載っており、モデルは設定なしで発信者の言語を検出します。ランディングページは25以上と書いています。それ以外の言語は、対応言語リストによれば「with varying degrees of accuracy」で動きます。発信者がリスト外の言語を話すなら、ローンチ前にテスト通話をしてください。

Grok Voice 3.0の始め方

入り口は3つあり、どれも同じモデルで動くので、どれを選ぶかは主に開発者がいるかどうかで決まります。

1. APIキーを作成する。 xAI Consoleでキーを作ります。以下のどの経路でもアカウントが必要です。
2. まずPlaygroundで聞いてみる。 コンソールの音声Playgroundなら、コードを書く前にモデルと話せます。ここでの10分は、どのベンチマークより声について教えてくれます。
3. コード不要ならVoice Agent Builder。 知識、ツール、電話機能を持つ音声エージェントを、コードなしで設定できるxAIのコンソールツールです。Voice Agent Builderガイドで手順を説明し、ビルダーのレビューでその限界を扱っています。
4. 開発者はRealtime APIに接続する。 wss://api.x.ai/v1/realtime?model=grok-voice-3.0にWebSocketを開き、指示、音声、ツールを入れたsession.updateを送って音声をストリーミングします。ブラウザやモバイルアプリでは、APIキーの代わりに一時トークンを使ってください。
5. 電話回線はSIPを設定する。 番号を登録し、キャリアのトランクをxAIに向け、上で説明した着信ウェブフックを処理します。

xAIはGitHubで、WebSocketのウェブエージェント、WebRTCエージェント、iOSアプリ、Twilio電話エージェントのテスター用アプリも公開しており、音声対音声ドキュメントからリンクされています。Twilioのサンプルから始めるのが、実際の電話番号をモデルと話させる私の知る最速の方法です。

最小構成は短いです。これはソケットを開いた後の最初のメッセージの形で、ドキュメントのクイックスタートから短くしたものです。

{
  "type": "session.update",
  "session": {
    "voice": "eve",
    "instructions": "You are the support agent for Acme. Verify the caller before discussing an order.",
    "turn_detection": { "type": "server_vad" }
  }
}

xAIのドキュメントにある移行の助言のうち、2点は二度読む価値があります。1つ目は「pin to a versioned model name in production」で、私も賛成です。自動でアップグレードされるエイリアスは、調整したプロンプトの挙動が変わるまでは便利です。2つ目は、他のモデルからプロンプトを移すなら、ずっと短くして、古いモデル向けに書いた回避用の指示は削るべきだとxAIが述べている点です。

すでにOpenAI Realtime APIでアプリを動かしているなら、ドキュメントによれば、ベースURLとAPIキーを変えるだけでほとんどのクライアントライブラリが動きます。OpenAIのイベントのうち、名前が違うものや発行されないものがいくつかあり、互換性の表に載っています。トランスポートの選択についてはRealtime APIとWebRTCの解説で扱っており、ここでも同じように当てはまります。

自分の側で何を変えるべきか分かりませんか？今使っているものを選んでください。

料金と、計画しておくべき制限

料金はxAIの料金ページの1行で済むので、見積もりは簡単です。

1日に4分の通話を300件受けるサポート回線は月に36,000分を使い、ツール呼び出しやキャリア料金を除いた音声の時間だけで2,880ドルになります。計算機つきの詳しいコスト計算はGrok Voice 3.0のレビューにあり、通話あたりコストの比較ではその数字を人件費と並べています。

多くのチームが最初にぶつかる制限は同時実行数、つまり同時に動かせる通話の数です。レート制限ページは、2026年1月1日以降のAPI累計利用額に基づく支出ティアごとに、音声対音声のセッション数に上限を設けています。ティアは自動で解放され、下がることはありません。

パイロットの落とし穴：新規アカウントは、Tier 2に届くだけのクレジットを先に購入しない限り、50件の同時通話で負荷テストができません。Tier 4を超える場合は、コンソールから引き上げを申請します。

リージョンも計画しておくべきもう1つの点です。Grok Voice 3.0のモデルページにはus-east-1、eu-west-1、us-saltlake-2が載っています。8月に2.0の料金を取り上げたとき、音声モデルはus-east-1のみで動いていたので、EUのチームも評価に進める道ができました。

Grok Voice 3.0が向いている人、向いていない人

AIはサポート電話に答えられるかという問いへの短い答えは、モデル層ではもう「はい」です。次の3種類のチームには勧めます。

• 何かを実行する必要のある電話エージェントを作るサポートチーム。 顧客の確認、注文の照会、クレジットの発行、予約の確保。これはまさにτ-Voiceが測っているもので、3.0がもっとも伸びたところです。Starlinkの数字は、1つのエージェントが深いツールアクセスを持ったときの上限を示しており、AIコールセンターエージェントの導入が必ず教えてくれる教訓と同じです。
• すでにGrok Voice 2.0を使っているチーム。 同じAPI、同じ料金で、テスト通話1回分のコストでサポートタスクが15.1ポイント向上します。
• 遅延に敏感な回線。 τ-Voiceで65%を超えるモデルの中で、最初の音声まで1秒を切るのはこのモデルだけです。そのベンチマークで近いモデルはどれも1.3秒を超えます。

そして、先に他を見るべき3つのケースです。

• チームに開発者がいない。 モデルはAPIです。まずBuilder、または通話フローと分析を加えてくれるRetell AIやVapiのようなプラットフォームから始めましょう。パッケージ型の選択肢は、おすすめのAI音声エージェントのまとめで比較しています。
• 1つのヘルプデスクの中で完結しているチーム。 独自スタックを作る前に、ZendeskのAI音声エージェントやFreshcallerの音声エージェントのようなネイティブの選択肢を確認してください。
• 本当の問題が答えの側にあるチーム。 ポリシーが5か所に散らばっていて担当者が苦労しているなら、より良い声は間違ったポリシーをより流暢に読み上げるだけです。これはチャットボットの問題のどのリストにも最も多く出てくる項目です。

そもそも電話サポートを自動化するかどうかを検討中なら、特定のモデルよりもサポート向けの音声エージェントのガイドが良い出発点です。

ほかの選択肢については、音声サポートに最適なAIのリストか、より広いxAIの代替のページをご覧ください。

ローンチ当日に人々が投げかけた2つの質問

Xのローンチ投稿の下では、以前のバージョンを使った人たちの返信が歓声よりも実用的で、2つの質問が繰り返し出ていました。

"Have they made it less verbose?"

Spencer, X

xAIは冗長さの指標を公開していません。移行ノートが述べているのは、3.0には以前のモデルよりずっと短いシステムプロンプトが必要だということです。私の経験では、饒舌な音声エージェントの多くは、ルールをたくさん詰め込んだ長いプロンプトが原因です。だから、短い指示に「1〜2文で答える」といった1行を足すのが、最初に試すことです。

"have they improved the ability to interrupt?"

Rich Brandwein, X

こちらには数字があります。間や割り込みを採点するFull Duplex Benchは、Artificial Analysisによれば95.1%から97.0%に上がりました。電話回線では、発信者が自然に割り込めるようserver_vadのターン検出をオンにしてください。ドキュメントも本番の推奨事項の上位に挙げています。

そして、イーロン・マスクの発表の下で面白かった返信がもう1つあります。この記事を含め、ローンチ投稿を読むときにすべての購入者が心に留めておくべきものです。

"I bet you say that to all the voice model providers."

Donvalderath, X

もっともです。どのベンチマークも信じる前に、実際の背景ノイズ込みで自分の通話を試してください。

Grok Voice 3.0は話す。eeselは何を言うべきかを知っている。

音声モデルは、速くて自然に聞こえる話し手を電話回線に与えてくれます。しかし、返品期限も、プランの上限も、どの顧客に好意のクレジットを出すかも知りません。その知識はどこかから来なければなりません。eeselのデモ通話では、チームの過去のチケットでAIを学習させたいという要望が最も多く、その直感は音声でも正しいと考えています。

それがeeselの役割です。Zendesk、Freshdesk、Gorgiasに参加するAIヘルプデスクチームメイトで、過去のチケットとヘルプセンターから学び、あらゆる電話回線の裏側にあるメールとチャットのキューを処理します。本番稼働の前に、自社の過去のチケットで動かし、その回答をチームが実際に送った内容と比べられます。

開発者にとっては、Grokのmcpツールとの相性が良好です。eeselのワークスペースはすべてMCPサーバーでもあり、eesel CLIのeesel mcp tokenで、MCPクライアントが接続に必要な情報を出力できます。CLIはダッシュボードで見るのと同じエージェントを操作し、すべてのコマンドがJSONを出力し、Claude Code、Cursor、Codexのようなコーディングエージェントにセットアップを任せることもできます。eeselを実際のGrok電話回線の後ろで動かしたことはないので、有望な構成として受け止め、文の途中でのツール呼び出しによる追加の遅延に注意してください。

料金は月額固定のクレジットプランで、500クレジットが月299ドルから、お試し用に100クレジットが無料、カード不要です。キューの一部でeeselを試して、あなたの電話に出る声が正しい答えを持てるようにしましょう。