SpaceXAIが音声対話モデル「Grok Voice 3.0」を公開しました。Artificial Analysisの音声対話指数で86.9を記録し、現在集計されているモデルの中で首位に立ちます。APIの分単価は前版から据え置きです。
何が公開されたのか
聞き取り・推論・ツール呼び出し・発話を1つのセッションで扱う音声対話（speech-to-speech）モデルです。WebSocketの/v1/realtimeからgrok-voice-3.0として呼び出し、エイリアスgrok-voice-latestは自動で新版を指します。組み込み音声は28種、対応は20言語です。
評価の内訳
指数は4指標の平均です。86.9はGPT-Live-1（Astra, medium）の83.2、Gemini 3.8 Live Extended Thinkingの82.6を上回ります。ただしタスク完了を測るτ-Voiceは71.6%で、GPT-Live-1の74.5%には届いていません。応答は0.81秒、分単価は0.08ドルです。
導入時に確認したいこと
OpenAIのRealtime APIと互換で、移行は接続先とキーの差し替えが中心です。本番では版を固定し、自動更新のエイリアスを避けるのが安全です。ChatGPTやGoogle GeminiのLive系と比べる場合は、自社の想定タスクでの成功率も測っておくと判断しやすくなります。
編集部の見解
音声エージェントの実用性は、会話の自然さより「用件を最後まで終えられるか」で決まります。総合首位とタスク完遂のギャップが、そのまま導入時のリスクです。日本のコールセンターで検討するなら、手順が固定された業務から試し、例外対応の割合を実測する進め方が現実的です。
my-best.ai 編集部
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。