Grok Voice 3.0は1分8セントのまま　音声AIの値付けを読む

SpaceXSIは10月14日に公開したGrok Voice 3.0の料金を、2.0と同じ1分0.08ドル（1時間4.80ドル）に据え置いた。読み上げは100万文字15ドル、文字起こしは1時間0.10ドルから。第三者評価では1課題あたりの費用も競合より低いとしている。旧2.0は非推奨となり、同じ料金のまま3.0へ移れる。

記事の内容を自社でどう進めるか、内容が固まっていない段階でも相談できます。仕事の相談

毎週 1 回、その週の記事から 5 本と実践の 1 本を選んでメールで届けます。ニュースレターを購読する（無料）

1分0.08ドル、通話時間で払う

料金は、会話の長さで決まる。1時間つないで4.80ドルだ。トークン数ではなく分単位なので、通話件数と平均の通話時間が分かれば、月の費用をほぼ見積もれる。

同社の音声APIの紹介ページは、ほかの音声機能の料金も並べている。文章を読み上げる機能は100万文字あたり15ドル、文字起こしは録音ファイルの一括処理が1時間0.10ドル、流れてくる音声をその場で起こす方式が1時間0.20ドルだ。同ページは、隠れた手数料や最低利用額、強制的な上位プランへの移行はないとうたっている。

費用を見積もるときに気をつけたいのは、払うのが会話そのものの長さだという点だ。分単位の料金なら、沈黙や保留の時間も、つないでいる間は数えられるとみるのが自然だ。トークン単位の料金なら、話した量が少なければ安く済むが、分単位では、短く答えて早く切り上げる設計がそのまま節約になる。逆に、本人確認や聞き返しで会話が長引くと、その分だけ費用が積み上がる。

読み上げと文字起こしを別に組み合わせる作り方とも比べられる。文字起こしで聞き取り、文章のモデルで答えを作り、読み上げで返す3段の構成では、それぞれの料金を足し、文章のモデルの代金も加える必要がある。音声を聞いて音声で返すVoice Agent APIなら、その計算が1分あたりの単価1つにまとまる。どちらが安いかは会話の長さと答えの量で変わるので、自社の通話記録を使って両方の式で試算しておきたい。

1課題あたりの費用も低いと主張

同社は、分単位の値段だけでなく、仕事を1つこなすのにかかる費用でも競合より安いとしている。調査会社Artificial Analysisは、音声での推論テスト「Big Bench Audio」で、各モデルが1課題を終えるまでの費用を測った。Grok Voice 3.0は、GPT-Live-1とGPT-Realtime-2.1のどちらよりも低かったという。ただし、発表には課題ごとの具体的な金額は書かれていない。

性能の評価はGrok Voice 3.0の記事で詳しく伝えたとおりで、第三者の評価で首位に立ったとしている。

自社グループでの使われ方

同社によると、自社グループでも使っている。Starlinkのコールセンターでは、Grok Voiceが1日2万件の電話に複数の言語で答えている。およそ70%は人を介さずに解決し、営業の電話の4件に1件は、相手が電話を切る前に購入に至るという。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。Teslaの車内でも1日数百万件の会話をこなしており、運転中に予定を確かめたり、コーヒーを注文したりする用途で使われている。

2.0は非推奨、同じ料金で移れる

開発者向けのリリースノートによると、モデル名にgrok-voice-latestを指定しているセッションは、すでに3.0へ自動で切り替わった。APIの形は変わらない。一方、grok-voice-2.0は非推奨になった。移るにはモデルの指定をgrok-voice-3.0かgrok-voice-latestに変えればよく、料金は同じだ。2.0をいつ止めるかは、発表に書かれていない。

文字起こしでも同じ動きがある。旧モデルのgrok-voice-transcribe-1.0は10月2日で提供を終え、その名前への要求は、精度の高い2.0へ同じ料金で回されている。

編集部の見方

値段を変えずに中身を入れ替えるやり方は、利用者の乗り換えの手間を消す一方、昨日と同じ答え方が続く保証も消す。音声エージェントを作る前に見極めたいのは、1分0.08ドルという単価より、通話1件をどれだけ人に回さず終えられるかだ。小さな会社なら、まず自社の問い合わせ録音で数十件を試し、解決率と平均通話時間から1件あたりの費用を出してから、人の窓口と比べるのがよい。