室谷代表取締役Grok Voice 3.0は、SpaceXAIが2026年10月14日に発表した音声to音声（Speech to Speech）モデルで、音声を直接入力して音声で応答する新世代版なんですよね。前身のGrok Voice 2.0の後継にあたります。
テキトー教師DotAI 認定講師しかも第三者評価機関のArtificial Analysisが公開した独立系ベンチマークで、いきなり総合1位を取ったというのが今回のニュースの軸です。単に新モデルが出たという話じゃないんですよ。
室谷代表取締役発表元はSpaceXAI、評価を出したのはArtificial Analysis。ここは分けて押さえておきたいところです。
テキトー教師DotAI 認定講師まず用語を整理しておくと、Speech to Speechモデルというのは、音声を聞き取ってテキストを介さずに直接音声で返すAIのことです。従来の音声エージェントは「音声認識→テキストLLM→音声合成」の3段構成、いわゆるカスケード型が主流でした。
室谷代表取締役カスケード型は遅延が大きくなりがちで、割り込みや相槌のような会話の自然さに課題があったんですよね。そこを1モデルで完結させるネイティブ音声モデルとして出てきたのがGrok Voice 3.0という位置づけです。
テキトー教師DotAI 認定講師Artificial AnalysisのIndexは、音声推論、エージェント性能、人間の好み、タスク成功率の4項目を25%ずつ等しく合成した指標です。4項目すべてのデータが揃ったモデルだけがスコアを受け取れる仕組みになっています。
Grok Voice 3.0とは？SpaceXAIが放った音声to音声モデルの新世代版
Grok Voice シリーズの進化とスコア推移
- Grok Voice 1.0Index 73.7発表から半年弱でGrok Voice 3.0へ更新
- Grok Voice 2.0Index 81.31.0から+7.6ポイント。価格は$0.08/分
- Grok Voice 3.0Index 86.92.0から+5.6ポイント、1.0から+13.2ポイント。SpaceXAI Realtime API経由で提供、$0.08/分(Rex音声で評価)
室谷代表取締役発表の主語はあくまでSpaceXAIです。Grok Voice 3.0はSpaceXAI Realtime APIを通じて提供されていて、料金は$0.08/分。
これは前世代のGrok Voice 2.0と同じ価格なんですよね。
これは前世代のGrok Voice 2.0と同じ価格なんですよね。
テキトー教師DotAI 認定講師評価に使われたのはRexという音声で、SpaceXAI Realtime API経由で実施されたとArtificial Analysisは説明しています。
室谷代表取締役前世代との関係も整理しておくと、Grok Voice 2.0はIndex 81.3、Grok Voice 1.0は73.7でした。1.0の発表から半年弱での更新になるわけです。
テキトー教師DotAI 認定講師ここが地味にすごいところで、Grok Voice 2.0から+5.6ポイント、Grok Voice 1.0からは+13.2ポイントの改善です。半年でこの伸び幅は、講座で音声AIの動向を追っている受講生さんにも毎回驚かれる部分ですね。
室谷代表取締役MYUUUでも音声エージェントの実装相談は増えているんですが、モデルの更新サイクルがここまで速いと、設計時にどのモデルを前提にするかという判断が本当に難しくなります。
Grok Voice 3.0でできること――音声推論・エージェント性能・タスク完遂の実力
Grok Voice 3.0 3つの評価軸とスコア比較
| モデル | 音声推論 (Big Bench Audio) | エージェント性能 (τ-Voice) | タスク成功率 (Speech Agent Arena) |
|---|---|---|---|
| Grok Voice 3.0 | 98.5% (4番手) | 71.6% (2位) | 94.8% (1位) |
| Grok Voice 2.0 | 97.2% | 56.5% | 94.6% |
| Gemini 3.8 Live Extended Thinking (High) | 97.7% | 68.6% | 93.2% |
| StepAudio 3 Realtime | 99.7% (首位) | - | - |
| Qwen Audio 3.0 Realtime Plus | 99.2% | - | - |
| Qwen3.5 Omni Plus Realtime | 98.7% | - | - |
| GPT-Live-1 (Astra, medium) | - | 74.5% (首位) | - |
| GPT-Live-1 (Sol, low) | - | 59.3% | - |
テキトー教師DotAI 認定講師できることを4つの評価軸で見ていきましょう。まず音声推論、これはBig Bench Audioというベンチマークで測られます。
室谷代表取締役Big Bench Audioは1,000問の音声質問で構成されていて、形式論理、ナビゲーション、物体カウント、嘘の連鎖という4カテゴリが250問ずつ。音声を入力して音声を出力し、それが正しいかどうかで評価される形式です。
テキトー教師DotAI 認定講師Grok Voice 3.0はそこで98.5%を記録しています。Grok Voice 2.0が97.2%、Gemini 3.8 Live Extended Thinking (High)が97.7%ですから、前世代からも競合からも上を行っている数字です。
室谷代表取締役ただし、この音声推論のカテゴリでは上にモデルがいます。StepAudio 3 Realtimeが99.7%、Qwen Audio 3.0 Realtime Plusが99.2%、Qwen3.5 Omni Plus Realtimeが98.7%です。
Grok Voice 3.0は4番手という位置づけなんですよね。
Grok Voice 3.0は4番手という位置づけなんですよね。
テキトー教師DotAI 認定講師次がエージェント性能、τ-Voiceです。これは航空、小売、通信といった顧客対応シナリオを音声エージェントが実際に解決できるかを測るベンチマークで、Sierraが公開したものをArtificial Analysisが実装しています。
室谷代表取締役シナリオは航空が50、小売が114、通信が114。顧客はGPT-4.1でシミュレートされ、多様なアクセントや話者プロファイルを持つペルソナが使われる。
顧客の声はElevenLabsで生成され、テスト対象モデルの音声はDeepgram Nova-3で文字起こしされる構成です。
顧客の声はElevenLabsで生成され、テスト対象モデルの音声はDeepgram Nova-3で文字起こしされる構成です。
テキトー教師DotAI 認定講師Grok Voice 3.0はそこで71.6%を記録し、2位につけています。GPT-Live-1 (Astra, medium)が74.5%で首位、Gemini 3.8 Live Extended Thinking (High)が68.6%、GPT-Live-1 (Sol, low)が59.3%という並びです。
室谷代表取締役Grok Voice 2.0が56.5%でしたから、エージェント性能は15ポイント以上伸びているんですよね。ここは実運用を考える人にとって一番重要な改善かもしれません。
テキトー教師DotAI 認定講師3つ目がタスク成功率です。Speech Agent Arenaで、モデルが正しい最終ツール呼び出しを行えた会話の割合を見ます。
Grok Voice 3.0は94.8%で、これはボード全体で1位です。
Grok Voice 3.0は94.8%で、これはボード全体で1位です。
室谷代表取締役Grok Voice 2.0が94.6%、Gemini 3.8 Liveが93.2%ですから、僅差ではありますが首位を取っている。タスクを最後まで完遂する力というのは、カスタマーサポートに投入する上で最も実務に直結する指標です。
Artificial Analysis Speech to Speech Indexで総合1位、その中身を分解する
Speech to Speech Index 総合1位モデルの内訳比較
| モデル | Index | 音声推論 | エージェント性能 | Arena Elo | タスク成功率 |
|---|---|---|---|---|---|
| Grok Voice 3.0 | 86.9 | 98.5% | 71.6% | 1070 | 94.8% |
| GPT-Live-1 (Astra, medium) | 83.2 | 90.1% | 74.5% | 1048 | 87.4% |
| Gemini 3.8 Live Extended Thinking (High) | 82.6 | 97.7% | 68.6% | 990 | 89.1% |
| Grok Voice 2.0 | 81.3 | 97.2% | 56.5% | 1011 | 94.6% |
| GPT-Live-1 (Sol, low) | 80.1 | - | 59.3% | 1057 | 90.9% |
テキトー教師DotAI 認定講師ここまでの4項目を合成したのがSpeech to Speech Indexです。整理するとこうです。
| モデル | Index | 音声推論 | エージェント性能 | Arena Elo | タスク成功率 |
|---|---|---|---|---|---|
| Grok Voice 3.0 | 86.9 | 98.5% | 71.6% | 1070 | 94.8% |
| GPT-Live-1 (Astra, medium) | 83.2 | 90.1% | 74.5% | 1048 | 87.4% |
| Gemini 3.8 Live Extended Thinking (High) | 82.6 | 97.7% | 68.6% | 990 | 89.1% |
| Grok Voice 2.0 | 81.3 | 97.2% | 56.5% | 1011 | 94.6% |
| GPT-Live-1 (Sol, low) | 80.1 | - | 59.3% | 1057 | 90.9% |
室谷代表取締役この表を見ると、Grok Voice 3.0は音声推論とタスク成功率で強く、エージェント性能ではGPT-Live-1 (Astra, medium)に一歩譲るという構造が見えてきます。
テキトー教師DotAI 認定講師総合値だけ見ると圧勝に見えますが、内訳を見ると各モデルに得意分野があるんですよ。単に1位という話じゃないんです。
室谷代表取締役ただ、4項目のうち2項目で首位、残り2項目でも上位というバランス型であることは確かです。Indexは等权重み付けなので、極端な弱点がないモデルが上に来る設計になっています。
テキトー教師DotAI 認定講師このあたりの評価指標の考え方については、Artificial Analysis Decision Indexとは？でも詳しく解説しています。指標の設計思想を知っておくと、数字の読み方が変わってきますよ。
競合比較――GPT-Live-1、Gemini 3.8 Liveと比べてどこが強いのか
室谷代表取締役競合との比較を整理すると、まず総合IndexではGrok Voice 3.0の86.9に対してGPT-Live-1 (Astra, medium)が83.2、Gemini 3.8 Live Extended Thinking (High)が82.6、GPT-Live-1 (Sol, low)が80.1という並びです。
テキトー教師DotAI 認定講師一方でSpeech Agent Arena、これは人間がブラインドで実際に音声会話をして好みを選ぶ評価ですが、そこではGrok Voice 3.0はElo 1070で3位です。首位はGemini 3.1 Flash Live Minimalの1100、2位がGemini 3.8 Liveの1088です。
室谷代表取締役つまり、自動評価の総合では1位でも、人間の好みではGemini系が上に来る。ここは正直に押さえておくべきポイントです。
テキトー教師DotAI 認定講師ただしタスク成功率ではGrok Voice 3.0が94.8%で首位、Gemini 3.8 Liveが93.2%です。好みとタスク完遂は別物だということですね。
室谷代表取締役エージェント性能のτ-VoiceではGPT-Live-1 (Astra, medium)の74.5%が首位で、Grok Voice 3.0は71.6%で2位。ここも競合に一歩譲る項目です。
テキトー教師DotAI 認定講師まとめると、Grok Voice 3.0は「総合点とタスク完遂力で強いが、人間の好みとエージェント性能の頂点は他社にある」という構図です。どの指標を重視するかで選定が変わってきます。
室谷代表取締役速度と遅延――Time to First Audio 0.81秒が示す会話の自然さ
テキトー教師DotAI 認定講師会話の自然さを左右するのがTime to First Audio、発話から最初の音声が返るまでの遅延です。Grok Voice 3.0はBig Bench Audioで平均0.81秒を記録しています。
室谷代表取締役GPT-Live-1 (Astra, medium)が1.34秒、Gemini 3.8 Live Extended Thinking (High)が1.35秒ですから、約40%速い計算になります。GPT-Live-1 (Sol, low)も1.24秒です。
テキトー教師DotAI 認定講師ただしGrok Voice 2.0は0.70秒で、前世代のほうが速いんですよ。ここはトレードオフとして正直に書いておくべき部分です。
室谷代表取締役そうなんですよね。Indexのトップ5に入るモデルの中で1秒を切っているのはGrok Voice 3.0とGrok Voice 2.0だけ。
つまり前世代は速度特化、3.0は知能を上げつつ速度をほぼ維持したという進化の仕方です。
つまり前世代は速度特化、3.0は知能を上げつつ速度をほぼ維持したという進化の仕方です。
テキトー教師DotAI 認定講師SpaceXAIの公式発表では「class-leading latency at under one second」とうたっています。1秒未満というのは、会話のテンポとして自然に感じられるラインなんですよ。
室谷代表取締役実運用で考えると、0.8秒と1.3秒の差は体感でかなり違います。カスタマーサポートで顧客が「間が空いたな」と感じるかどうかは、離脱率に直結する部分ですから。
テキトー教師DotAI 認定講師会話の自然さという点では、Full Duplex BenchでGrok Voice 3.0は97.0%を記録しています。これはポーズ、ターンテイキング、割り込み処理、相槌処理を測る指標です。
室谷代表取締役Grok Voice 2.0が95.1%、GPT-Live-1 (Astra, Medium)が94.9%、Gemini 3.8 Liveが91.9%ですから、ここは明確にリードしている項目です。
料金と提供範囲――$0.08/分、日本から使えるのか
テキトー教師DotAI 認定講師料金は$0.08/分、時間単位だと$4.80/時です。これは前世代のGrok Voice 2.0と同額で、既存利用者は自動移行されるとSpaceXAIは説明しています。
室谷代表取締役競合と並べると、GPT-Live-1 (Sol, low)が$4.47、Gemini 3.8 Live Extended Thinking (High)が$3.50、GPT-Live-1 (Astra, medium)が$5.83、GPT-Realtime-2.1 Highが$10.75です。
テキトー教師DotAI 認定講師つまりGrok Voice 3.0は、GPT-Live-1 (Astra, medium)より安く、GPT-Realtime-2.1 Highの約2.2倍安い。一方でGemini 3.8 Live Extended Thinking (High)よりは高いという位置づけです。
室谷代表取締役タスクあたりのコストで見ると、SpaceXAIの公式発表ではBig Bench Audioの実行でGrok Voice 3.0が$0.025、GPT-Live-1 (Astra, Medium)が$0.030、GPT-Realtime-2.1 (High)が$0.055とされています。
テキトー教師DotAI 認定講師時間単価ではGeminiのほうが安いのに、タスクあたりではGrokが安い。これはタスクを完了するまでの効率が違うからで、単純な単価比較では判断できない部分ですね。
室谷代表取締役日本からの利用可否について、ソースには明示的な記載がありません。SpaceXAIのAPIが日本から使えるかどうかは、現時点では明らかにされていません。
ここは憶測で書かないようにしておきます。
ここは憶測で書かないようにしておきます。
テキトー教師DotAI 認定講師料金体系そのものは$0.08/分と明示されているので、為替換算でのコスト感は読者が各自で計算できる状態です。
Grok Voice 3.0の使い方・始め方――SpaceXAI Realtime APIでの利用
室谷代表取締役利用方法ですが、Grok Voice 3.0はSpaceXAI Realtime APIを通じて提供されています。Artificial Analysisの評価もこのAPI経由でRex音声を使って実施されたと説明されています。
テキトー教師DotAI 認定講師SpaceXAIの公式発表によると、grok-voice-latestを使っているエージェントは自動的に切り替わっていて、変更作業は不要とされています。既存の実装をそのまま動かしていれば3.0に移行されるということですね。
室谷代表取締役SpaceXAIのAPI全体としては、テキストやコード生成、画像・動画生成、音声エージェント構築、リアルタイム検索を1つのAPIで提供する構成で、利用量ベースの課金が$2/Mトークンからと案内されています。
テキトー教師DotAI 認定講師SDKは既存のものが使えると案内されていて、Playgroundも全アカウントに付属するとのことです。APIキーを取得してドキュメントを読むところから始める流れになります。
室谷代表取締役実際のユースケースも公式発表で触れられています。Tesla車両では1日に数百万の会話を処理していて、Connectorsでカレンダー確認やメール返信、Grok Botでコーヒー注文やディナー予約といったタスクをハンズフリーで行えるとされています。
テキトー教師DotAI 認定講師Starlinkのコールセンターでは1日20,000件の顧客通話を複数言語で処理していて、約70%が人間を介さずに解決、4件に1件のセールス通話が通話終了前に購入に至るとのことです。1つのエージェントが顧客確認、ハードウェアのトラブルシューティング、クレジット発行、代替機器の発送まで担うと説明されています。
室谷代表取締役このあたりは実運用の数字として非常に具体的です。MYUUUでも音声エージェントの導入相談を受けることが増えましたが、実際に数百万会話を回しているという実績は説得力が違います。
テキトー教師DotAI 認定講師企業向けの評価では、ServiceNowのEVA-BenchでGrok Voice 3.0が最高精度74%を記録し、精度と顧客体験の両軸で最高性能だとSpaceXAIは発表しています。
室谷代表取締役API連携まわりの実装については、CursorとChatGPT（OpenAI API）連携完全ガイドのような記事が参考になる部分もありますが、音声APIはセッション管理の考え方が独特なので、専用ドキュメントを読むのが確実です。
テキトー教師DotAI 認定講師音声モデルを実際にプロダクトへ組み込むとなると、遅延、コスト、タスク完遂率のバランスをどう取るかが設計の肝になります。今回の数字はその判断材料としてかなり使えると思いますよ。
よくある質問
Q. Grok Voice 3.0とは何ですか？
SpaceXAIが2026年10月14日に発表した音声to音声（Speech to Speech）モデルです。音声を直接入力して音声で応答し、テキストを介さないネイティブ音声モデルにあたります。前身のGrok Voice 2.0の後継で、SpaceXAI Realtime APIを通じて提供されています。
Q. Grok Voice 3.0のベンチマーク結果は？
Artificial AnalysisのSpeech to Speech Indexで86.9を記録し総合1位です。内訳は音声推論（Big Bench Audio）98.5%、エージェント性能（τ-Voice）71.6%、Speech Agent Arena Elo 1070、タスク成功率94.8%です。
Q. Grok Voice 2.0との違いは？
Indexは81.3から86.9へ+5.6ポイント、τ-Voiceは56.5%から71.6%へ改善しています。一方Time to First Audioは0.70秒から0.81秒へわずかに遅くなっています。料金は$0.08/分で前世代と同額です。
Q. 料金はいくらですか？
$0.08/分（$4.80/時）です。前世代のGrok Voice 2.0と同額で、grok-voice-latestを使っているエージェントは自動的に切り替わるとSpaceXAIは説明しています。
Q. 日本から使えますか？
日本からの利用可否について、今回のソースには明示的な記載がありません。現時点では明らかにされていません。
Q. どうやって始めますか？
SpaceXAI Realtime APIを通じて利用します。SpaceXAIのAPIは利用量ベースで$2/Mトークンからの課金体系で、既存SDKが使え、Playgroundも全アカウントに付属すると案内されています。
