「1分$0.08」が予算づくりに向かない理由
私はeeselでライティングとSEOを担当しているので、人が入力する言葉と本当に知りたいことのずれを見るのが仕事の大きな部分です。「Grok Voice 3.0 料金」で検索する人は、料金表だけを求めているわけではありません。それは1行で済みます。知りたいのは、電話窓口が稼働したときに通話1本あたり、月あたりいくらかかるかで、それは別の数字です。この記事はその数字についてのものです。そして、xAI料金のページを含め、どの料金表にも載っていない数字でもあります。
料金表自体は短いものです。xAIの料金ページから直接引用します（最終更新は2026年10月10日）。
| 項目 | 価格 | 課金単位 |
|---|---|---|
Speech to speech、grok-voice-3.0 | $0.08 / 分（$4.80 / 時間） | 会話1分あたり |
| 音声セッションへのテキスト入力 | $0.004 | テキスト入力1回あたり |
file_search / collections_search ツール | $2.50 | 1,000回あたり |
web_search ツール | $5 | 1,000回あたり |
x_search ツール | $5 / 1,000投稿、$10 / 1,000プロフィール | 取得1件あたり |
| リモートMCPツール | 呼び出し料金なし | トークンベース |
| コレクションのストレージ（アップロードしたドキュメント） | $0.10 | 1GiB・1日あたり |
| Speech to text（別API） | $0.10 / 時間 REST、$0.20 / 時間 ストリーミング | 音声1時間あたり |
| Text to speech（別API） | $15.00 | 100万文字あたり |
この表で強調したい点が2つあります。1つ目は、分単価は、その1分の中でモデルが何をしても同じだということです。xAIはgrok-voice-3.0の料金を1つしか載せておらず、reasoning.effortをnoneにした場合の安い行も、長く考えた場合の割増もありません。2つ目は、アップグレードで価格が変わらなかったことです。Grok Voice 3.0のリリース記事にははっきり書かれています。2.0と同じ価格で、grok-voice-latestエイリアスを使っていた人は自動的に切り替わりました。8月にGrok Voice 2.0の料金を取り上げたときは、1.0から60%の値上げという話でした。今回は逆で、同じ金額でより良いモデルが手に入ります。
表にないのは電話回線で、本当の請求はそこから始まります。
サポート通話1本の本当のコスト
通話1本をゼロから組み立ててみましょう。使う形はサポート窓口でよくあるものです。通話は4分、エージェントがヘルプドキュメントを3回検索し、アプリが冒頭でテキストメッセージを1件（たとえば発信者の注文履歴）挿入します。
| 通話の構成要素 | 料金 | 通話1本のコスト |
|---|---|---|
| Grokの通話時間、4分 | $0.08 / 分 | $0.3200 |
| Twilio SIP着信、ローカル番号、4分 | $0.0034 / 分 | $0.0136 |
file_search x 3 | $2.50 / 1,000 | $0.0075 |
| テキスト入力 x 1 | 1回あたり$0.004 | $0.0040 |
| 合計 | $0.3451 |
通話1分あたり$0.086で、表示価格より約8%高くなります。
Grokの通話分が通話コストの93%を占めます。「隠れた料金」と呼ばれるものはすべて、残りの7%の中にあります。追加費用が無料という意味ではありません。予算が狂う場所はそこではないという意味ですが、いくつかには落とし穴があるので、1つずつ見ていきます。
キャリア：自分のものを持ち込む
Grok Voice 3.0はSIP経由で電話を受けます。SIPガイドには、すでに所有している番号をorigin: "byo_trunk"で登録すると明記されています。API経由でSpaceXSIの電話番号をプロビジョニングすることはサポートされていないため、キャリアのアカウントは選択肢ではなく必須です。ガイドにはTwilioとTelnyxのセットアップ手順があり、どのSIPプロバイダーでも動作します。
キャリアは自社の請求書で直接あなたに請求します。ドキュメントに挙げられている2社の米国通話料金を、各社の料金ページから示します。
| キャリア | 着信、ローカル | 着信、フリーダイヤル | 発信、米国 | 番号レンタル |
|---|---|---|---|---|
| Twilio Elastic SIP Trunking | $0.0034 / 分 | $0.0130 / 分 | $0.0100 / 分（48州） | ローカル$1.15 / 月、フリーダイヤル$2.15 / 月 |
| Telnyx SIP Trunking | $0.0032 / 分から | $0.015 / 分から | $0.005 / 分から | 別途請求 |
ここで重要なのは、TwilioかTelnyxかではなく、ローカルかフリーダイヤルかです。TwilioのSIPでフリーダイヤルは、着信1分あたりローカルの約4倍かかり、4分の通話が$0.345から約$0.384になります。ほとんどのサポート窓口ではそれでも小さい額ですが、大規模なフリーダイヤルの0120系回線を運用するなら、きちんと試算する価値のある唯一のキャリア項目です。Twilioは通話録音を有効にすると1分あたり$0.0025も請求し、緊急通報は両社とも番号ごとの月額料金です（Twilioは$0.75、Telnyxは$1.5）。すでにTwilioのコンタクトセンターを使っているチームには、私のTwilio Flexの料金の記事で、その請求のシート側を解説しています。
コンタクトセンターの購入者にもう1つ。発信者が電話番号ではなくWebウィジェットや自社アプリから来る場合、キャリアはまったく不要です。GrokはWebSocketやWebRTCのセッションにも対応しています。ワイヤ形式はOpenAI Realtime APIと互換性があるため、私のRealtime APIとWebRTCの解説もこの選択に当てはまります。
ツール：1回は安く、1,000回単位で価格設定
ツールは、音声エージェントが話すだけでなく何かを実行できるようにする仕組みで、リアルタイムのツール呼び出しで構築したことがある人なら、サポートエージェントの中核だと知っているはずです。xAIはサーバー側ツールを呼び出しごとに課金します。
この表から気づいた点がいくつかあります。1,000回あたり$2.50のfile_searchはweb_searchの半額なので、アップロードした自社ドキュメントから回答するエージェントは、公開サイトを閲覧するエージェントより検索1回あたりが安くなります。リモートMCPツールについて、xAIは呼び出し自体には課金せず、使用したトークンのみに課金すると述べています。自作のfunctionツールにはxAIの料金は一切かからず、そのコストは自社サーバーにかかります。
注意しておきたい唯一のストレージコストは、1GiB・1日あたり$0.10のコレクションです。ヘルプセンターが1ギガバイトのテキストになることはまれなので、ほとんどのチームでは月に数セントですが、日単位のメーターで、電話が鳴っても鳴らなくても動いています。
テキスト入力：1回あたり0.4セント
アプリがライブセッションに送るテキストメッセージは1件ごとに$0.004です。通話の途中でコンテキストを注入する価格で、たとえば発信者のアカウント状況、CRM検索の結果、「この顧客はVIP」というフラグなどです。通話1本につき1件ならほぼゼロです。アプリが数秒ごとにテキスト更新をストリーミングするパターンになると、この行が目立ち始めるので、コンテキストは通話の冒頭で1件のメッセージにまとめるのがよいでしょう。
サポート規模での月額コスト
同じ通話の形（4分、Twilioローカル、検索3回、テキスト入力1回、30日）を、よくある3つのチーム規模に拡大します。
| 1日の通話数 | 月間の分数 | Grokの通話分 | キャリア | ツール + テキスト | 番号 | 月額合計 |
|---|---|---|---|---|---|---|
| 100 | 12,000 | $960 | $40.80 | $34.50 | $1.15 | $1,036 |
| 500 | 60,000 | $4,800 | $204 | $172.50 | $1.15 | $5,178 |
| 2,000 | 240,000 | $19,200 | $816 | $690 | $1.15 | $20,707 |
これは理想的なバージョンです。現実のバージョンには無音時間が含まれていて、これこそ多くの予算が見落とす行だと私は思います。サポート通話は、問題が解決した瞬間に終わるわけではありません。「ほかにございますか？」があり、領収書を探しに席を離れる発信者がいて、誰かが電話を切る前の5秒の沈黙があります。xAIはセッションを分単位で課金し、ドキュメントでも無音を除外していないので、開いている分はすべて課金されるものとして予算を組むのがよいでしょう。
1日500通話で計算します。通話1本あたり20秒の無音で、月に約$400増えます。これはキャリア、ツール、テキスト入力の合計（$376.50）より多い額です。そのための設定がモデルにあり、idle_timeout_msは設定した間を置いて無言の発信者に再び声をかけます。またSIPガイドには、会話が終わったときにアプリから実行できるhangup呼び出しが記載されています。この2つを組み込むのが、この記事で最も安上がりなコスト最適化です。
ご自身の数字を入力してみてください。この試算ツールは、同僚のGrok Voice 3.0レビューにあるものとは異なります。あちらは同時実行ティアの規模を見積もるものですが、こちらは通話全体を価格設定し、各項目を分けて表示し、AIが実際に解決した通話1本あたりのコストも出します。
最後の数字、AIが解決した通話1本あたりのコストは、財務チームに見せたい数字です。解決率50%だと、デフォルトのケースで解決した通話1本あたり約$0.75になります。引き継ぎで終わる通話の分も支払うからです。xAIは、Starlinkのコールセンターが1日2万件の通話の約70%を人手なしで解決していると述べていますが、これは姉妹会社が自社について報告しているものなので、私なら自分の予測はもっと低く始めて、実データで引き上げます。私の解決あたりのコストの解説では、この指標が予算レビューに耐える理由を説明しており、AIエージェントと人間のエージェントのコストの比較では、給与と並べて示しています。
同時実行ティア：手数料ではなく前払い
Grok Voice 3.0で隠れた料金のように感じられる唯一のコストは、実は料金ではありません。同時セッション数、つまり同時に実行できる通話数は、レート制限ページによると、2026年1月1日以降のxAI APIの累計利用額に応じて増えます。
| ティア | APIの累計利用額 | 同時音声セッション数 | その金額で$0.08のとき買える分数 |
|---|---|---|---|
| Tier 0 | $0 | 10 | 0 |
| Tier 1 | $50 | 20 | 625 |
| Tier 2 | $250 | 50 | 3,125 |
| Tier 3 | $1,000 | 100 | 12,500 |
| Tier 4 | $5,000 | 200 | 62,500 |
| Enterprise | 要相談 | カスタム | 該当なし |
ティアは前払いクレジットの購入と支払い済みの請求書を数え、ダウングレードされることはありません。つまり、ティアを解放するお金は、どのみち通話に使うお金であり、追加コストというより資金繰りの問題です。1日500通話なら、最初の月のうちに$5,000を超え、上限は問題でなくなります。
影響が出るのはパイロット時です。50の同時通話を負荷テストしたい新規アカウントは、まず$250のクレジットを入れる必要があります。少額ですが、私たち自身の営業通話で、テスト利用がいかに速く進むかを見てきました。話をしたある購入者は、1日のテストで200件のやり取りを使い切り、パイロットが終わる前から、大規模になったときの1件あたりのコストを心配し始めました。従量課金はテストを実際以上に高く感じさせるので、テスト予算を最初に決めて、学習のためのコストとして扱ってください。
Grokの価格は他の音声APIと比べてどうか
リリース時の報道が比較を誤っているのはここだと思います。しかも両方向に。以下の数字はすべて、各ベンダー自身の料金ページのものです。
| 音声API | 表示価格 | 課金単位 | 推論モデル込み？ | 別途課金 |
|---|---|---|---|---|
| Grok Voice 3.0 | $0.08 / 分 | 分単位、テキスト入力1回あたり$0.004 | はい | サーバー側ツール、キャリア |
| GPT-Live-1 | $0.05 / 分 | 秒単位、切り上げなし | いいえ | "Backend model and tool usage is charged separately" |
| GPT-Realtime-2.1 | 入力$32 / 出力$64（音声トークン100万あたり） | トークン単位 | はい | テキストと画像のトークン |
| Gemini 3.8 Live | 音声入力$0.005 / 分、音声出力$0.018 / 分 | 音声の分単位、方向ごと | Thinkingは出力トークンとして課金 | テキスト出力100万あたり$4.50、Search groundingは無料5,000件を超えると1,000件あたり$14 |
| ElevenLabs Agents | $0.08 / 分（バーストは$0.16） | 通話の分単位、テキストメッセージ1件あたり$0.003 | いいえ | LLMは"based on usage"、テレフォニーは除く |
| Deepgram Voice Agent、Standard | $0.075 / 分（Advancedは$0.163） | Websocket接続時間 | はい | 同梱のLLMは無料 |
Geminiの数字には一言説明が必要です。Googleは音声入力と音声出力を別々に価格設定しているため、発信者がずっと音声を流し、エージェントもずっと話し続ける1分なら、最大で$0.023になります。実際の通話ではエージェントが話すのはおそらく半分ほどで、thinkingトークンを除くと1分あたり約$0.014に近づきます。表示価格だけで見れば、Grokの数分の一です。
では、Grokは高いのでしょうか。同じ仕事を価格設定するなら、そうではありません。GPT-Live-1の$0.05は音声レイヤーだけの価格で、その裏のモデルは自分で選んで支払う必要があります。これは私のGPT-Live-1の料金の記事で解説しています。ElevenLabsも同じ形で、$0.08にLLMが別途かかり、プランの詳細は私のElevenLabsの料金の解説にあります。DeepgramのStandardティアは最も同条件に近いバンドルで、1分あたり0.5セント安くなります。
同じタスクでこれらのモデルをベンチマークしているArtificial Analysisは、それぞれを動かすすべて込みのコストを測定し、表示価格が示すよりずっと差が小さいと分かりました。
"Grok Voice 3.0 costs $4.80 per hour of input audio, the same as Grok Voice 2.0. That is above GPT-Live-1 (Sol, low) at $4.47 and Gemini 3.8 Live Extended Thinking (High) at $3.50, below GPT-Live-1 (Astra, medium) at $5.83, and ~2.2x cheaper than GPT-Realtime-2.1 High ($10.75)."
これが正直な読み方です。推論を数えると、Grokのコストは最先端グループの真ん中に位置し、最上位でも最下位でもありません。xAI自身のリリース記事も、その強みを分あたりのコストではなく、そのベンチマークでのタスクあたりのコストとして位置づけています。また、Artificial Analysisはコストの数字にツール呼び出しは含まれないとしているので、これらの数字にはどれも上のツールのセクションを足してください。
APIではなくプラットフォームごと買いたい場合は、価格モデルがまた変わります。Retell AIの料金やVapiは、モデルの上に独自の分単位のプラットフォーム料金を重ねており、xAI自身のVoice Agent Builderは、同じ音声でのノーコードの選択肢です。
ヘルプデスクを使っているなら、これらの前に、そのヘルプデスクが標準で何を提供しているかを確認してください。ZendeskのAI音声エージェントはその一例です。パッケージ型の選択肢は、私のおすすめのAI音声エージェントのまとめで比較しています。
Grok Voiceの請求を下げる4つの方法
請求の93%は通話分なので、ほぼすべての節約も分に関するものになります。手間の少ない順に、私が実際にやることを挙げます。
- 無音に払うのをやめる。
idle_timeout_msを設定し、発信者が終わったらhangupエンドポイントを実行します。1日500通話の回線では、これだけで他の追加費用すべてを合わせたより価値があります。 - コンテキストは1回だけ注入する。 発信者のアカウント情報は、更新のストリームではなく、冒頭の1件のテキスト入力として送ります。1メッセージにつき$0.004かかります。
- 自社のドキュメントから回答する。 1,000回あたり$2.50の
file_searchはweb_searchの半額で、自社のポリシーを読むエージェントは正しい答えを返すエージェントでもあります。ストレージは日単位のメーターなので、アップロードするコレクションは小さく保ってください。 - 可能ならローカル番号を使う。 TwilioのSIPでフリーダイヤルの着信は、ローカルの約4倍です。全国向けのサポート窓口ではブランディングの判断ですが、その価格は知っておく価値があります。
私がやらないのは、1セントを節約するためだけに1分あたりが安いモデルを追いかけることです。失敗する通話が増えるモデルは、通話を長くし、より多くを人間に回すことになり、単価の差よりはるかにコストがかかります。本当のお金がかかるのは、失敗した通話のAIエージェントの引き継ぎです。
Grok Voice 3.0はその価格に見合うか
電話にAIを置くチームには、見合うと思いますし、コールセンターのROIの計算も通常は同じ結論になります。Artificial Analysisの音声インデックスでトップのモデル、推論込みの定額料金、プラットフォーム料金なしという条件で、予測が簡単になります。4分の通話の総コストは約35セントで、警告されていた追加費用は、通話時間に比べれば誤差の範囲です。
短くて単純な通話向けに最も低い表示価格が必要な場合（Gemini 3.8 LiveもGPT-Live-1も表示価格はより低く、より軽いモデルを選べます）や、分析機能付きのノーコードプラットフォームがほしい場合は、向いていません。そうしたケースには、私のGrok Voice 2.0の代替の一覧と、より広いxAIの代替の記事が今も全体像を示しており、AIはサポート電話に対応できるかは、どれを選ぶ前にも使える良い感覚チェックです。
どの音声料金にも含まれないものは、知識です。上のすべての数字は、モデルが会話をするための料金であり、返金期間や、どの顧客に好意的なクレジットを出すかといったことは何も教えてくれません。安くて速い音声が誤ったポリシーを読み上げても、誤ったポリシーのままで、それが音声サポートの導入で私が最もよく見る失敗です。ECの窓口に限れば、どの通話から任せるべきかは、私のAI電話サポートガイドで解説しています。
Grokは1分に値段をつける。eeselは何を話すかを担う。
電話窓口がチケットキューの手前にあるなら、音声モデルはシステムの半分にすぎません。eeselがもう半分です。ZendeskやFreshdesk、Gorgiasに参加し、過去のチケットとヘルプセンターから学ぶAIヘルプデスクチームメイトです。電話がいずれあふれ込む、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較できます。顧客と話すものをテストするなら、私ならこうしたいと思う方法です。
開発者向けには、この2つを途中で組み合わせることもできます。GrokのmcpツールはサーバーURLとヘッダーを受け取り、eeselのすべてのワークスペースはMCPサーバーでもあります。eesel CLIのコマンドeesel mcp tokenは、MCPクライアントの接続に必要なものを出力します。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。この組み合わせは実際の電話回線ではまだ試していないので、有望な構成として受け取ってください。xAIでのリモートMCP呼び出しには呼び出し料金がかからないことも覚えておいてください。
価格の形も音声APIとは違います。eeselは月額固定のクレジットプランで、500クレジットで月$299、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クレジットが無料です。通話の分ではなく、処理したチケットごとに支払います。次の音声パイロットの前に、キューの一部でeeselを試してみてください。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なります。