Grok Voice 3.0レビュー：サポート通話は賢くなり、反応はわずかに遅く

どうレビューしたか、そして私の根拠が及ばない範囲

私はeeselでインテグレーションとAPI、つまりモデルとライブのヘルプデスクの間をつなぐ配管を作っています。これは開発者目線のレビューです。xAIのspeech-to-speechドキュメントをすべてのページ、リリースノート、レート制限の表、Artificial Analysisの完全なリーダーボードとローンチスレッドまで読み、2か月前に書いたGrok Voice 2.0の記事と照らし合わせました。

主張できないのは、ライブの電話回線での1,000件の本番通話です。モデルはまだ公開1日目だからです。大規模での挙動について話すときは、公開されている制限か、xAI自身のStarlinkの数字のどちらかから数字を取り、どちらなのかを明記します。

始める前に名称について一言。xAIのドキュメントとローンチ記事は現在SpaceXSI名義で、Artificial Analysisはベンダーを SpaceXAI と表記しています。同じチーム、api.x.aiの同じAPI、同じGrokファミリーです。ローンチ記事によれば、同じ音声はGrok Botの音声モードやTeslaの車内でも動いています。ベンダー全体を検討しているなら、xAIの代替の記事がより広い視点になります。

スコアカード

まず結論をすべて示し、詳細は後に回します。

ベンチマークの数値はすべてArtificial Analysisのものです。そのローンチ時の数字は、xAIのGrok Voice 3.0発表でも再掲されました。

結論： 注文を調べる、クレジットを発行する、枠を予約するなど、実際に何かをする必要がある電話またはアプリ内の音声エージェントを作るチームにとって、現時点では私の第一候補です。バージョンを固定し、必要なティア分の予算を確保し、ナレッジの問題は別に解決してください。

優れている点

目についた点は3つで、xAIが前面に出した数字はそのうちの1つだけです。

見出しはインデックスではなく、サポートタスクのスコア

サポートチームの立場でこれを読む人にとって、私が最も信頼するベンチマークがτ-Voiceです。シミュレートされた発信者が、現実味のある問題（フライトの変更、小売の請求の異議申し立て、通信の不具合の解消）を持ってモデルに電話をかけ、モデルはツールとポリシー文書を持つサポート担当として対応し、最終的なデータベースの状態が完全に正しい場合にのみ得点になります。Artificial Analysisが手法を説明しています。3回の試行の平均を取るところまで詳細です。

Grok Voice 2.0は56.5%でした。3.0は71.6%で、1回のリリースで15.1ポイントの跳ね上がりです。これは9件に4件失敗するエージェントと、7件に約2件失敗するエージェントの差であり、キューにとってこの差は人員配置の問題で、丸め誤差ではありません。

トップのスコアではありません。GPT-Live-1（Astra、medium）は74.5%です。ただしAstraは話し始めるまで1.34秒かかり、Grokは0.81秒です。xAIはローンチ記事でまさにこのトレードオフを押し出しています。2つのどちらかを選ぶなら、GPT-Live-1レビューでOpenAI側をより詳しく扱っています。

このグラフは、Grok Voice 3.0を推す根拠をほぼ1枚に収めています。サポートタスクの65%超を解決するモデルは、これを除いてすべて応答に1.3秒以上かかります。Artificial Analysis自身のスレッドもはっきり述べています。

"Grok Voice 3.0 and Grok Voice 2.0 the only models in the top 5 of our Speech to Speech Index under 1 second."

Artificial Analysis, X

ライブ通話で始めたことをやり遂げる

Task Success Rateは、Artificial AnalysisのSpeech Agent Arenaから来ています。ここでは実在の人が、2つの非公開モデルとライブで会話します（歯科の予約を取る、といった内容です）。Grok Voice 3.0はタスクの**94.8%**を完了し、ボード上で最高、93.2%のGemini 3.8 Liveをわずかに上回っています。

付け加えておく価値のある注記があります。Grok Voice 2.0はすでに94.6%だったので、ここは3.0で向上した点ではありません。Grokのラインがもともと強かった領域で、3.0はそれを維持しつつ、より難しいτ-Voiceのケースで改善しました。

Starlinkの数字、ただし注意書き付き

xAIによると、StarlinkのコールセンターはGrok Voiceを使って、複数言語で1日20,000件の通話に応答し、約70%を人手なしで解決し、販売電話の4件に1件を相手が切る前に成約させています。1つのエージェントが、顧客の本人確認、ハードウェアのトラブルシューティング、クレジットの発行、交換機器の発送まで行います。

今年、音声モデルのベンダーから出てきた本番運用の主張としては、最も具体的です。ただし姉妹会社が自社について報告しているものでもあり、公開された手法の裏付けはありません。70%は「ツールへの深いアクセスと絞り込んだ製品があれば可能なこと」として扱い、あなたのキューの予測としては扱わないのがよいでしょう。私の経験では、得られる解決率はモデルよりも、エージェントが何を調べて何を実行できるかで決まります。これはAIコールセンターエージェントの導入のたびに得られる教訓と同じです。

ローンチ文が盛りすぎている点

どれも不誠実というわけではありません。ローンチ記事によくある見せ方で、上司に引用する前に知っておく価値があるというだけです。

• "Class-leading latency." 0.81秒は高スコアのモデルの中では優秀ですが、Grok Voice 2.0は0.70秒でさらに速く、ボード上の最速の項目（たとえばDeepslate Opalは0.44秒）はもっと速いです。公平に読むなら、賢いモデルの中で最速です。
• "Costs less than other frontier models." GPT-Live-1（Astra）とGPT-Realtime-2.1に対しては正しいです。すべてに対してではありません。Artificial Analysisの測定では、Gemini 3.8 Live Extended Thinking (High)は入力音声1時間あたり**$3.50**、GPT-Live-1（Sol）は**$4.47で、Grokの$4.80**より安いです。これらはベンチマーク実行時のコストで、定価ではありませんが、方向性は明らかです。
• "World's most intelligent." 総合インデックスではトップです。人間の好みでは3位（Elo 1070、Gemini 3.1 Flash Live Minimalの1100とGemini 3.8 Liveの1088に次ぐ）で、純粋な音声推論では3つのモデルがこれより高いスコアです。

Xでの反応はおおむね歓声でしたが、Artificial Analysisのスレッドへの返信で最も鋭かったのは、すべてのサポートリーダーがモニターに貼っておくべきものでした。

"Scores are one thing. The real test is a drive-thru order with a toddler in the back seat."

Erika Reed, X

もっともです。ベンチマークはクリーンな音声と整ったシナリオで動きますが、あなたの通話相手は車の中でスピーカーフォンを使っています。これらの数字を、良いものも含めて信じる前に、実際の背景ノイズ込みで自分でテスト通話をしてください。

API：移行不要で、良い点が多い

xAIのリリースノートは一行で言い切っています。APIは変わりません。同じエンドポイント（wss://api.x.ai/v1/realtime）、同じセッションパラメータ、同じイベント、同じ価格です。grok-voice-latestのエイリアスを呼んでいれば自動的に3.0へ移行済みで、grok-voice-2.0は非推奨になりました。

これは良い知らせですが、小さな警告でもあります。自動アップグレードは、丁寧に調整したプロンプトがある火曜日に突然違う挙動を始めるまでは素晴らしいものです。サポート回線では、grok-voice-3.0を明示的に固定し、テスト通話を一巡させたうえで、意図してバージョンを移すのがよいでしょう。

またOpenAI Realtime APIとワイヤ互換のままなので、すでにGPT Realtime上に作っているチームは、ベースURLとキーを差し替えるだけでほとんどの部分まで到達できます。私が実際に使って作るであろう部分を、すべてspeech-to-speechドキュメントから挙げます。

ブラウザクライアントでWebSocketとWebRTCのどちらにするか迷っているなら、ワイヤ形式が同じなので、Realtime API vs WebRTCの解説がここにも当てはまります。

知っておくべき点がもう2つあります。音声は最大120秒の参照クリップからクローンでき、音声の概要にはネイティブのアクセント付きで20言語が挙げられていて、モデルが相手の言語を自動で検出します。Xでは、イーロン・マスクのローンチ投稿への最初の質問のひとつが、まさにそれでした。

"Does it handle switching languages mid conversation? Genuinely curious how it does with Hungarian"

Szántó Szabolcs, X

ハンガリー語はリストにないので、xAI自身の言葉で言えば"varying degrees of accuracy"（精度にばらつき）を想定してください。通話相手がこの20言語以外を話すなら、先にテストしてください。

並列のツール呼び出しと、ツール呼び出し中の音声の重なりを避けるためのドキュメントのアドバイスから、このチームが実際の電話エージェントを出荷してきたことがわかります。リアルタイムのツール呼び出し上に作った経験がある人なら、関数が走っている間の気まずい沈黙こそ相手が電話を切る場面だと知っています。

2.0から変わった制限

2.0のレビューを読んだ方にとって、ここが最も重要な節です。8月に指摘した3つの壁のうち2つが動きました。

同時接続は支出ラダーになった

8月は、どのチームも同時10セッションで例外なしでした。現在のレート制限の表は、speech-to-speechの同時接続数を支出ティアに結び付けており、ティアは2026年1月1日以降のAPI累計支出に応じて自動的に解放されます。下がることはありません。

1分$0.08なら、$5,000は62,500分の会話にあたります。1日に4分の通話を500件受けるキューなら、約1か月でそこに達するので、本番運用している人にとって上限は障害ではなくなります。ただしパイロットにはまだ影響します。新規アカウントは、ティアを解放するためにクレジットを前払いしなければ、初日に50件同時通話の負荷テストはできません。

EUリージョンができた

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月はus-east-1のみで、多くの欧州チームにとってそこで話が終わっていました。xAIの音声ドキュメントには、SOC 2 Type II、BAA付きのHIPAA対応、GDPRのデータ処理契約、そして音声はリアルタイムで処理され"never stored or used for training"（保存も学習利用もされない）という記載もあります。私はこれらを監査していません。ベンダーが公開している内容であり、セキュリティレビューを始めるには十分です。

変わらなかった点：あなたのことは何も知らない

モデルは賢くなりましたが、あなたのものではありません。上のすべての数字は、ベンチマーク用に誰かが書いたポリシー文書とツールを前提にしています。あなたの回線では、エージェントはあなたが接続したものだけを正確に知っています。アップロードしたコレクション、自社の関数、MCPサーバーです。実際の音声サポートの導入の作業の大半はそこにあり、いつ人にハンドオフするかを決めることも含まれます。

うまくやっているチームは、電話エージェントを音声付きのナレッジベースチャットボットとして扱っています。答えは保守された1つのソースにあり、すべてのチャネルがそこから読み取ります。そもそも電話サポートを自動化すべきか迷っているなら、モデル選びではなく、そこから始めてください。

費用を計算してみる

Grokの音声料金はこのカテゴリで最もシンプルです。xAIの料金ページから直接引用します。

シート料金もプラットフォーム料金もなく、最低額もありません。モデルが深く考えたかどうかにかかわらず、1分ごとに1つの料金だけです。そのため請求額の予測は簡単です。ご自身の数字を入れてみてください。

規模感をつかむために：1日500件、1件4分の通話を受けるチームは月に約**$4,800**を使い、最も忙しい時間帯でも同時に動いている通話は約7件で、無料ティアの10の範囲内です。同時接続数が問題になり始めるのは、1日数千件を超えてからです。Starlinkの1日20,000件は、同じ4分という仮定（xAIは通話時間を公表していません）で、80,000分、1日$6,400になります。より安いモデルという観点では、Grok Voice 2.0の料金の記事がカテゴリ全体の1分あたりの料金を比較し、人間のエージェントのコストの比較が、1通話あたりの数字を給与と並べています。

ほかのモデルと比べると

候補に挙げるであろうモデルを手早くまとめます。すべてArtificial Analysisのリーダーボードからです（コストはAAが測定した入力音声1時間あたりの実行コストで、定価ではありません）。

外部の指標として、xAIはServiceNowによる200件以上のシナリオで構成されたエンタープライズ音声エージェント向けのオープンなベンチマークEVA-Benchも挙げており、Grok Voice 3.0は74%で最高の精度スコアを記録しています。

モデルではなくプラットフォーム全体が欲しいなら、トレードオフは変わります。Retell AI、Vapi、ElevenLabsのようなツールは、モデルを通話フローとダッシュボードで包み、その上に分析を載せています。

ヘルプデスクの中で仕事をしているなら、まず標準で何が付いているか確認してください。Zendeskの音声AIエージェントとFreshcallerの音声エージェントはどちらも一見の価値があります。残りはベストAI音声エージェントのまとめで扱っています。

声だけが必要で頭脳は自前で用意したいなら、Cartesia Sonic 3のような音声合成エンジンはスタックのより下層にあり、より広いAI音声企業のマップで誰が何を売っているかがわかります。同じファミリー内の代替については、Grok Voice 2.0の代替のリストが競合に関して今も当てはまります。

誰が手に取るべきで、誰が待つべきか

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、モデル層については今や確かなイエスです。それを受けて動くべき人は次のとおりです。

今すぐ切り替える人： すでにGrok Voice 2.0を運用している（同じAPIで同じ価格なので、コストは回帰テスト通話一巡分だけ）、または複数ステップのタスクを完了させる必要があり、100ミリ秒の沈黙ごとに通話相手を失う電話エージェントを作っている場合。

先に比較検証をする人： すでにGPT-Live-1（Astra）を使っている場合。τ-Voiceでは2.9ポイント上回っています。Grokの0.5秒の先行がそれを上回るかどうかは、通話がどれだけツール中心かによります。

待つ、または別を探す人： 通話相手がサポートされる20言語以外を話す、ノーコードの通話フロービルダーが必要（xAIのVoice Agent Builderか上記のプラットフォームから始めてください）、またはボトルネックが音声ではなく答えそのものにある場合。パッケージ化された選択肢は音声サポート向けベストAIのガイドで扱っています。見事な声で間違った返金ポリシーを読み上げても、間違った返金ポリシーのままであり、それは顧客が諦める原因となるチャットボットの問題のどのリストでも上位に来ます。

Grokは通話を担当し、eeselは何を言うべきかを担当する

Grok Voice 3.0は会話エンジンです。あなたの返品期間も、直近5万件のチケットも、どの顧客に好意的なクレジットを出すかも知りません。そこがeeselの担当する半分です。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習し、あらゆる電話回線の背後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に対して実行し、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、この2つは紙の上ではきれいにつながります。GrokのmcpツールはサーバーURL、authorizationトークン、カスタムヘッダーを受け取ります。eeselのワークスペースはすべてMCPサーバーです。eesel CLIからnpx @eesel/cli mcp tokenを実行すると、URL、30日間有効なトークン、X-Eesel-Agent-Idヘッダーが出力され、これがまさにGrokが求める形です。同じCLIで、ターミナルからエージェントをスクリプト化・確認したり、Claude Codeのようなコーディングエージェントに渡したりできます。この組み合わせはまだライブの電話回線では試していないので、出荷済みの連携ではなく有望な構成として扱い、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。

料金は固定の月額クレジットプランです。月$299で500クレジット、チケットまたはチャット1件が1クレジットで、試用用に100クレジットが無料、カード不要です。次の音声パイロットの前に、キューの一部でeeselを試してください。電話に出るエージェントが、話す価値のある内容を持てるように。