Grok Voice 3.0とは？性能・料金・使い方と日本語対応をわかりやすく解説

最終更新日:2026/11/09

「Grok Voice 3.0で何ができるの？」「日本語の電話対応に使える？」「費用はどれくらい？」と気になっている方も多いでしょう。

Grok Voice 3.0は、SpaceXSI（旧xAI）が2026年10月14日に公開した音声対話AIモデルです。話しかけた音声に音声で答えるモデルで、第三者機関の性能指標では首位に立ちました。

本記事では、Grok Voice 3.0の性能・機能・料金・使い方を公式情報をもとに整理しました。Starlinkなどの導入事例、競合モデルとの比較、導入前の注意点まで解説します。

Grok Voice 3.0とは？SpaceXSI（旧xAI）の最新音声対話AI

Grok Voice 3.0は、人と自然に会話できる「音声エージェント」を作るためのAIモデルです。開発元は「世界で最も賢いSpeech to Speechモデル」とうたっています。

2026年10月14日に公開された「音声から音声」のモデル

SpaceXSIは2026年10月14日に、Grok Voice 3.0をAPIで公開しました。SpaceXSIは、GrokシリーズのAIを開発してきたxAIの現在の名称です。公式サイトでは、この新しい社名が使われています。

Grok Voice 3.0は「Speech to Speech」と呼ばれる種類のモデルです。Speech to Speechとは、音声を入力として受け取り、音声で応答を返す仕組みを指します。電話の自動応答や、音声で操作するアシスタントなどに使われます。

出典：Introducing Grok Voice 3.0｜SpaceXSI

Grok Voice 2.0からの主な変更点

前モデルのGrok Voice 2.0からの変更点は、次の4つです。

• 性能の向上：第三者機関の総合指標が81.3から86.9に上がった
• 料金は据え置き：1分あたり0.08ドルで、2.0と同じ
• APIの仕様は変わらない：接続先や設定項目、イベントは2.0と共通
• 2.0は非推奨に：最新版を指す「grok-voice-latest」は自動で3.0に切り替わった

既存の仕組みを作り直さずに、性能だけを引き上げられるアップデートと言えるでしょう。

出典：Release Notes｜SpaceXSI Docs

Grok Voice 3.0の性能・ベンチマーク

結論から言うと、Grok Voice 3.0は音声対話AIの総合指標で1位となり、応答の速さも上位モデルで最速です。それでいて、料金は前モデルから変わっていません。

Artificial Analysisの総合指標で1位

独立した評価機関のArtificial Analysisは、音声対話AIを比べる総合指標を公開しています。この「Speech to Speech Index」で、Grok Voice 3.0は86.9点の1位です。

この指標は、次の4つの評価を組み合わせて算出されます。

• 音声での推論力（Big Bench Audio）
• エージェントとしての作業力（τ-Voice）
• 人による聞き比べの評価
• タスクの成功率

※画像をタップすると拡大して表示できます。

出典：Speech to Speech｜Artificial Analysis

主要ベンチマークの比較

SpaceXSIは、主要な競合モデルと比べたベンチマーク結果を公表しています。

ベンチマーク	Grok Voice 3.0	Grok Voice 2.0	GPT-Live-1	Gemini 3.8 Live
総合指標（Artificial Analysis）	86.9	81.3	83.2	82.6
音声での推論（Big Bench Audio）	98.5%	97.2%	90.1%	97.7%
人による評価（Speech Agent Arena）	1070	1011	1048	990
タスク成功率	94.8%	94.6%	87.4%	89.1%
会話の自然さ（Full Duplex Bench）	97.0%	95.1%	94.9%	91.9%
エージェント作業（τ-Voice）	71.6%	56.5%	74.5%	68.6%

※SpaceXSIの公式発表に基づきます。測定時の設定は、GPT-Live-1がAstra・Mediumです。Gemini 3.8 LiveはExtended Thinking・Highで測定されています。

多くの項目でGrok Voice 3.0が上回る一方、τ-VoiceではGPT-Live-1がわずかに高い結果です。ただし同じτ-Voiceの測定では、応答の遅れがGPT-Live-1より40%小さかったとされています。

出典：Introducing Grok Voice 3.0｜SpaceXSI（グラフのデータ元はArtificial Analysis）

Full Duplex Benchは、間の取り方や話者の交代、割り込みへの対応を測る評価です。97.0%という高いスコアは、電話のような自然なやり取りに強いことを示しています。

コスト面では、Big Bench Audioの1タスクあたりの費用も公表されました。Grok Voice 3.0は0.025ドルです。GPT-Live-1の0.030ドル、GPT-Realtime-2.1の0.055ドルを下回ります。

ServiceNowの評価でも最高精度

ServiceNowの評価「EVA-Bench」でも、Grok Voice 3.0は最高の精度（74%）を記録しました。EVA-Benchは、音声エージェントの実力を測る評価です。精度と顧客体験をあわせた評価でも、最も良い結果だったとされています。

出典：Introducing Grok Voice 3.0｜SpaceXSI／Speech to Speech｜Artificial Analysis

Grok Voice 3.0でできること・主な機能

Grok Voice 3.0は、音声エージェントに必要な機能をひととおり備えています。多言語での会話から、ツールとの連携、電話回線への接続まで対応可能です。

日本語を含む20以上の言語に対応

Grok Voice 3.0のAPIは、日本語を含む20以上の言語に対応しています。話しかけられた言語を自動で判別し、同じ言語で答える仕組みです。

主な対応言語は次のとおりです。

• 日本語、英語、中国語（簡体字）、韓国語
• フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語
• ヒンディー語、ベンガル語、インドネシア語、ベトナム語、トルコ語、ロシア語、アラビア語

一覧にない言語でも会話はできますが、精度にはばらつきがあると案内されています。

出典：Speech to Speech｜SpaceXSI Docs

28種類の音声とカスタム音声

声は、28種類の組み込み音声から選べます。落ち着いた声や明るい声、力強い声など、印象の異なる声がそろっています。どの音声も、対応するすべての言語を話せる仕組みです。

短い音声サンプルから、自社独自の声を作ることも可能です。話す速さは0.7倍から1.5倍の範囲で調整できます。

Web検索や社内ツールと連携できる

Grok Voice 3.0は、会話の途中で外部のツールを呼び出せます。使える主なツールは次のとおりです。

• Web検索、X（旧Twitter）の検索
• アップロードした資料の検索
• MCP（外部ツールとAIをつなぐ共通規格）
• 自社システムを呼び出す関数

Web検索などはサーバー側で自動的に実行されます。自社システムを呼び出す関数は、開発側で処理を組み込む必要があります。

考える深さを切り替えられる

回答前にどれだけ考えるかは、「high（初期値）」と「none」の2段階から選べます。highは込み入った問い合わせに向き、noneは考える時間を省いて応答の速さを優先する設定です。用途に合わせて切り替えるとよいでしょう。

割り込みに強く、電話回線にもつながる

相手が話し終えたかどうかは、サーバー側で自動的に判定できます。ユーザーが途中で話し始めても、自然に応答を切り替えられる設計です。

電話回線との接続にも対応しています。SIP（インターネット電話の標準方式）、WebSocket、LiveKitの3つの方法で接続できます。電話で一般的な音声形式にも対応しているため、コールセンターのシステムに組み込みやすいでしょう。

通信が途切れたときに、会話を続きから再開する機能も用意されています（初期設定ではオフ）。ただし、操作がないまま30分たつと、それまでの会話の履歴は消える仕様です。

出典：Speech to Speech｜SpaceXSI Docs／Voice｜SpaceXSI Docs

Grok Voice 3.0の料金

Grok Voice 3.0の料金は、音声のやり取り1分あたり0.08ドル（1時間4.80ドル）です。前モデルのGrok Voice 2.0から据え置かれています。

API料金

出典：API Pricing｜SpaceXSI Docs

サービス	料金
Speech to Speech（grok-voice-3.0）	1分あたり0.08ドル（1時間4.80ドル）
Speech to Speechのテキスト入力	0.004ドル（料金ページの表記）
Speech to Text（文字起こし）	1時間0.10ドル（REST）、0.20ドル（ストリーミング）
Text to Speech（音声合成）	100万文字あたり15ドル

※2026年10月28日時点のSpaceXSIの料金ページに基づきます。料金は変更の可能性があるため、最新情報は公式サイトをご確認ください。

Web検索などのツールを使う場合は、ツールの呼び出しにも料金がかかることがあります。ツールを多く使う設計にする場合は、料金ページで条件を確認しておきましょう。

料金の試算例（コールセンター想定）

電話対応に使った場合の費用を、1分0.08ドルで試算しました。

想定	通話時間	費用の目安
短い問い合わせ1件	3分	0.24ドル
標準的な問い合わせ1件	5分	0.40ドル
込み入った問い合わせ1件	10分	0.80ドル
1日100件×平均5分×月22日	1万1,000分	880ドル／月

※公式の料金をもとにAIsmiley編集部が試算した参考値です。ツールの利用料などは含みません。

1件あたり1ドル未満で、電話の一次対応を任せられる計算です。実際の費用は通話の長さやツールの使い方で変わるため、試験導入で実測するのが確実です。

出典：API Pricing｜SpaceXSI Docs／Introducing Grok Voice 3.0｜SpaceXSI

Grok Voice 3.0の使い方

Grok Voice 3.0は、SpaceXSIのコンソールで試すか、APIを使って自社のシステムに組み込む形で利用します。

コンソールで音声エージェントを試す

まずは、開発者向けの管理画面（コンソール）で試すのが手軽です。公式発表では、コンソールの音声エージェント画面から無料で試せると案内されています。指示文や声を変えながら、実際に話しかけて応答を確かめられます。

APIで使う（WebSocket接続の流れ）

APIでは、WebSocketという常時接続の通信方式で音声をやり取りします。基本的な流れは次のとおりです。

1. SpaceXSIのコンソールでAPIキーを作成する
2. 次の接続先にWebSocketで接続する
3. 「session.update」で、指示文・声・使うツールなどを設定する
4. 音声を送り、Grok Voice 3.0からの音声の応答を受け取る

接続先（WebSocket）

wss://api.x.ai/v1/realtime?model=grok-voice-3.0

ブラウザやスマホアプリから接続する場合は、APIキーの代わりに短時間だけ有効なトークンを使います。APIキーを利用者の端末に置かずに済むためです。本番環境では、最新版を指す名前ではなく「grok-voice-3.0」のようにバージョンを固定することが推奨されています。

出典：Speech to Speech｜SpaceXSI Docs

Grok Voice 2.0・OpenAI Realtime APIからの移行

Grok Voice 2.0を使っている場合は、モデル名を「grok-voice-3.0」に変えるだけで移行できます。「grok-voice-latest」を指定していた場合は、すでに自動で3.0に切り替わっています。

OpenAIのRealtime APIを使っている場合も、移行の負担は小さいでしょう。公式ドキュメントによると、Grok Voice 3.0のAPIはOpenAIのRealtime APIと互換性があります。多くのOpenAI向けライブラリやSDKが、そのまま使えるとのことです。

出典：Speech to Speech｜SpaceXSI Docs／Introducing Grok Voice 3.0｜SpaceXSI

Grok Voice 3.0の活用事例

Grok Voice 3.0は、すでにStarlinkのコールセンターやTeslaの車内で大規模に使われています。公式発表で紹介された事例を見ていきましょう。

Starlinkのコールセンター

衛星インターネットのStarlinkでは、1日2万件の問い合わせ電話にGrok Voice 3.0が対応しています。複数の言語に対応し、約70%は人が介在せずに解決しているそうです。

1つの音声エージェントが、本人確認から機器の故障対応、料金の調整、交換品の発送までこなしています。営業電話では、4件に1件が通話中に購入まで進んでいるとのことです。

Teslaの車内アシスタント

Teslaの車内でも、1日数百万件の会話をGrok Voice 3.0が処理しています。予定の確認やメールへの返信といった簡単な用事は、車内からそのまま頼めます。コーヒーの注文のような大きめの用事は、AIエージェント「Grok Bot」が担う仕組みです。

業務での活用イメージ

公式の事例や機能をもとに、日本企業での活用イメージを整理しました。

業務	活用イメージ	生きる機能
コールセンター	問い合わせの一次対応、よくある質問への回答	割り込み対応・社内資料の検索
予約受付	飲食店や医療機関の電話予約の受け付け	電話回線への接続・関数による予約登録
営業	資料請求者へのフォロー架電	自然な会話・CRMとの連携
社内ヘルプデスク	IT機器や社内手続きの問い合わせ対応	社内資料の検索・MCP連携
インバウンド対応	外国人客からの多言語の問い合わせ	言語の自動判別

※公式の事例と機能をもとに、AIsmiley編集部が整理したものです。

出典：Introducing Grok Voice 3.0｜SpaceXSI

GPT-Live-1・Gemini Liveとの比較

性能と応答の速さを両立したいならGrok Voice 3.0が有力です。コストを最優先するなら、Gemini 3.8 Liveも候補になります。Artificial Analysisの評価をもとに、主要モデルを比べました。

モデル	総合指標	最初の音声までの時間	1時間あたりのコスト
Grok Voice 3.0	86.9	0.81秒	4.80ドル
GPT-Live-1（Astra・Medium）	83.2	1.34秒	5.83ドル
Gemini 3.8 Live（Extended Thinking・High）	82.6	1.35秒	3.50ドル
Grok Voice 2.0	81.3	0.70秒	4.80ドル
GPT-Live-1（Sol・Low）	80.1	1.24秒	4.47ドル
Gemini 3.8 Live	74.5	1.18秒	0.84ドル

※Artificial Analysisの評価（2026年10月28日時点）に基づきます。コストは同社のテスト条件で、音声入力1時間あたりに換算した値です。

Grok Voice 3.0は、上位3モデルの中で最も高い総合指標と、最も短い応答時間を両立しています。応答が1秒を切ると、電話での会話の「間」が気になりにくくなります。

一方、コストだけを見ると、Gemini 3.8 Liveの通常設定は1時間0.84ドルと大きく下回ります。簡単な案内が中心ならGemini、込み入った問い合わせも任せたいならGrok Voice 3.0が向いています。用途に合わせて選ぶのがよいでしょう。

出典：Speech to Speech｜Artificial Analysis

Grok Voice 3.0を導入する前の注意点

Grok Voice 3.0を業務に導入する前に、次の点を確認しておきましょう。

• 性能は自社の条件で確かめる：公表値は日本語での性能を直接示すものではない。日本語の通話で精度を確認する
• 専門用語の聞き取りを調整する：社内用語や商品名は、聞き取り用のキーワード（最大100語）を登録できる。読み方の指定も可能
• バージョンを固定する：Grok Voice 2.0は非推奨。本番では「grok-voice-3.0」と明示する
• ツールの利用料を見込む：Web検索などを多用すると、通話料とは別に費用がかかる場合がある
• 人への引き継ぎを設計する：AIで解決できない場合に、担当者へつなぐ流れを用意しておく
• APIキーを守る：ブラウザやアプリからは、短時間だけ有効なトークンで接続する

顧客の個人情報を扱う場合は、社内の情報管理規程に沿った運用ルールも欠かせません。まずは問い合わせの一部で試験導入し、解決率や顧客満足度を測ってから広げるのが安全です。

出典：Speech to Speech｜SpaceXSI Docs／API Pricing｜SpaceXSI Docs

Grok Voice 3.0に関するよくある質問

Q. Grok Voice 3.0は日本語に対応していますか？

対応しています。公式ドキュメントの対応言語に日本語が含まれており、話しかけた言語を自動で判別して同じ言語で答えます。

Q. Grok Voice 3.0は無料で使えますか？

APIの利用は有料で、音声のやり取り1分あたり0.08ドルです。公式発表では、コンソールの音声エージェント画面から無料で試せると案内されています。

Q. Grokアプリで使えますか？

公式発表で利用先として紹介されているのは、Teslaの車内アシスタントとGrok Botの音声モードです。Grokアプリの音声機能での採用については、公式発表に記載がありません。

Q. Grok Voice 2.0から移行するには何をすればよいですか？

モデル名を「grok-voice-3.0」に変更するだけです。接続先や設定項目は2.0と共通で、料金も変わりません。

Q. OpenAIのRealtime APIと互換性はありますか？

あります。公式ドキュメントでは、OpenAIのRealtime APIと互換性があり、少しの変更で切り替えられると説明されています。

出典：Speech to Speech｜SpaceXSI Docs／Introducing Grok Voice 3.0｜SpaceXSI

まとめ

Grok Voice 3.0は、性能・応答の速さ・料金のバランスに優れた音声対話AIです。要点を3つにまとめます。

• 第三者機関の総合指標で1位、最初の音声まで0.81秒と応答も速い
• 料金は1分0.08ドルでGrok Voice 2.0と同じ、日本語にも対応している
• Starlinkでは1日2万件の電話に対応し、約70%を人の手を借りずに解決している

まずはコンソールで日本語の会話を試し、自社の問い合わせで精度を確かめるところから始めましょう。OpenAIのRealtime APIを使っている場合は、移行の負担が小さい点も魅力です。

電話対応の自動化を検討する際は、複数の音声AIやコールセンター向けサービスを比べておくと判断しやすくなります。

アイスマイリーでは、生成AI のサービス比較と企業一覧を無料配布しています。課題や目的に応じたサービスを比較検討できますので、ぜひこの機会にお問い合わせください。