音声AI「Grok Voice 3.0」 応答1秒未満 テスラにも搭載

xAI(SpaceXSI)は14日、音声対話AIモデル「Grok Voice 3.0」を発表し、開発者向けの「Grok Voice API」で提供開始した。利用料金は1分あたり0.08ドル(1時間あたり4.80ドル)で、従来モデルから据え置く。

Grok Voice 3.0は、音声を入力して音声で応答する「Speech-to-Speech」モデル。1秒未満の低遅延で、人間のような自然な音声対話を実現するとうたう。カスタマーサポートや営業などで、人間に代わって会話や業務を行なう音声AIエージェントへの活用を想定する。

特徴は、発話の間や話者の交代、会話中の割り込みなどに対応する自然な対話能力。AIが話している途中に利用者が発言した場合にも対応し、会話を継続できる。周囲の雑音やアクセントがある環境にも対応し、25以上の言語を扱う。

Grok Voice APIでは、音声対話に加えて外部サービスやツールとの連携にも対応する。利用者との会話内容を基に、情報の検索やスケジュールの確認、予約などの操作を実行できる。複数のツールを利用する複雑な指示も処理でき、問い合わせへの回答だけでなく、実際の業務を完了する音声AIエージェントを構築できる。

Artificial Analysisによるスコア

Grok Voice 3.0は、テスラの車載AIにも採用されており、1日あたり数百万件の音声対話を処理している。ドライバーは音声操作で予定の確認やメールへの返信のほか、コーヒーの注文やレストランの予約などを行なえる。

SpaceXの衛星通信サービス「Starlink」のコールセンターでもGrok Voiceを活用しており、1日約20,000件の問い合わせに対応。このうち約70%を人間のオペレーターを介さずに解決しているという。顧客認証から機器のトラブル対応、交換機器の発送までを1つのAIエージェントで処理できる。

Grok Voice 3.0は、Grok Voice APIの「Voice Agent API」で利用できる。既存のAPIで「grok-voice-latest」を指定している場合は、自動的に新モデルへ切り替わり、開発者側での変更は不要。