「Grok Voice 3.0」が音声対話で首位　料金据え置きで自動移行

米SpaceXSIは、音声を聞いてそのまま音声で返す新モデル「Grok Voice 3.0」を公式ページで公開した。Voice Agent APIで音声エージェントを作っている人は、手元の動きをまず確かめたい。モデル名にgrok-voice-latestを指定しているなら、すでに3.0へ自動で切り替わっているからだ。コードを書き換える必要はなく、料金も2.0と変わらない。支払いは同じまま、中身のモデルだけが入れ替わった。

指定を変えずに新モデルへ移る

同社によると、3.0はAPIで発表の当日から使える。grok-voice-latestを指定したエージェントは、利用者が何もしなくても新しいモデルで動き始めた。応答の遅れは1秒未満という。

つまり、昨日まで2.0で動いていた電話応対や音声アシスタントが、今日は別のモデルで話している。手順どおりに答えさせる用途では、この切り替えが答え方に響いていないかを見ておく必要がある。

第三者評価の総合指標で首位に

調査会社Artificial Analysisの10月13日付の評価で、音声対話の総合指標「Speech-to-Speech Index」は86.9点と1位だった。前の2.0は81.3点、GPT-Live-1は83.2点、Gemini 3.8 Liveは82.6点。この指標は、音声での推論、問い合わせ電話の再現テスト、人による聞き比べと課題の達成率を合わせたものだ。

項目別では、間の取り方や話の割り込みへの対応を測るFull Duplex Benchが97.0%、課題の達成率が94.8%、音声での推論を測るBig Bench Audioが98.5%だった。なまりや雑音、割り込みがある問い合わせ電話を想定したτ-Voiceは71.6%。GPT-Live-1とほぼ同じ水準だが、遅れは40%少ないという。

人が聞き比べて選ぶ「Speech Agent Arena」でも、3.0の評価値は1070と、2.0の1011、GPT-Live-1の1048、Gemini 3.8 Liveの990を上回った。数字の上では、正確さだけでなく話しやすさでも前の版から伸びたことになる。

企業向けの評価でも結果を出した。米ServiceNowが公開する音声エージェントの評価EVA-Benchで、3.0は正答率74%と最も高く、正確さと対話の心地よさを合わせた評価でも首位だった。EVA-Benchは、200を超える企業の現実的な場面で音声エージェントを採点する公開の評価だ。ServiceNowのNitin Aggarwal氏は、3.0が最高の正確さと自然な受け答えを両立させたと評価した。

1日2万件の電話を7割自動で解決

SpaceXSIによると、Grok Voiceは米Teslaと米SpaceXで1日に数百万件の会話をこなしている。Teslaの車内では、予定の確認やメールの返信、コーヒーの注文や夕食の予約を、手を使わずに頼める。Grok Botの音声モードも3.0で動く。

Starlinkのコールセンターでは、複数の言語で1日2万件の電話に答え、約7割を人の手を借りずに解決している。販売の電話は4件に1件が、切る前に購入まで進む。1つのエージェントが、本人確認、機器の不具合の切り分け、返金分の付与、交換品の発送までを受け持つという。

料金は1分0.08ドルのまま

Voice Agent APIの料金は1分0.08ドル、1時間なら4.80ドルで、2.0と同じだ。同社は、同じクラスの最先端モデルより安く動くとしている。ServiceNowも、1件の課題をこなす費用がGPT-Live-1やGPT-Realtime-2.1より低いとした。grok-voice-latestを指定していれば、新しい性能をコードに触れずに受け取れる。支払いを変えずに中身だけが新しくなった。

編集部の見方

新しいモデルが首位に立っても、自分の用途で強いとは限らない。公表された評価で日本語の性能は分からず、Starlinkの例も「複数の言語」とあるだけだ。日本語で音声エージェントを動かしているなら、いつもの問い合わせを何本か流し、言い回しや手順の守り方が2.0から変わっていないかを先に確かめたい。版を固定する指定ができるかどうかも、公式ページには書かれていない。料金が同じ今は、自分の課題で測り直す好機だ。