x.aiは2026年10月13日(現地時間)、次世代の音声対音声 (speech-to-speech) モデル「Grok Voice 3.0」を発表した。このモデルは1秒未満のレイテンシと前モデルと同価格でのAPI提供を特徴とし、TeslaやSpaceXで日々数百万の会話を処理している。Artificial Analysisの独立テストではSpeech-to-Speech Indexで86.9点を獲得し、競合モデルを上回った。
Grok Voice 3.0は、顧客サポート通話の解決において新記録を樹立した。同モデルは、多様なアクセント、背景ノイズ、割り込みに対応する能力を測るτ-Voiceテストで71.6%を記録し、競合のGPT-Live-1 (Astra) と同等ながら40%低いレイテンシを実現した。また、Full Duplex Benchでは97%のスコアを達成し、間、ターン交代、割り込みの自然な処理能力を示している。
Artificial Analysisの測定によると、Grok Voice 3.0はGPT-Live-1 (Astra, Medium) およびGPT-Realtime-2.1と比較して、タスクあたりの実行コストが低い。さらに、ServiceNowの企業向け音声エージェントのベンチマークであるEVA-Benchでは、74%の最高精度スコアを獲得し、精度と顧客体験を総合的に評価した場合、最もパフォーマンスの高いモデルとされている。
Grok Voice 3.0は、Teslaの車両において毎日数百万件の会話を処理し、ドライバーがハンズフリーでカレンダー確認やメール返信、さらにコーヒー注文やディナー予約といったタスクを実行可能にする。StarlinkのコールセンターでもGrok Voiceが使用されており、毎日20,000件の顧客通話に対応し、約70%が人間の介入なしで解決されている。APIはGrok Voice 2.0と同価格の1分あたり0.08ドル (1時間あたり4.80ドル) で提供され、既存のユーザーは自動的にGrok Voice 3.0へ切り替えられた。
参考: x.ai — 2026年10月14日 09:00 (JST)
原文ハイライト"Grok Voice 3.0 sets a new Pareto frontier on EVA-Bench, ServiceNow’s open-source benchmark"