音声対話AI「Grok Voice 3.0」が登場、OpenAIやGoogleのモデルを上回る性能でベンチマーク首位に

SpaceXAIが音声対話AIモデル「Grok Voice 3.0」を2026年10月14日に発表しました。業界トップクラスの低遅延かつ低価格で、SpaceXAIは「世界で最も知的な音声対音声モデル」と主張しています。

Introducing Grok Voice 3.0 | SpaceXSI
https://x.ai/news/grok-voice-3

Introducing Grok Voice 3.0, the world’s most intelligent speech-to-speech model.

It excels at resolving customer calls, responds in under a second, and costs less than other frontier models. pic.twitter.com/cfDRrkQPEc

— SpaceX Super Intelligence (@SpaceXSI) 2026年10月14日

SpaceXAIの音声AIモデル「Grok Voice」はユーザーと音声で対話できるAIモデルで、2026年7月にリリースされた「Grok Voice Think Fast 2.0」は前モデルをベースに音声推論能力・会話能力・ツール使用時の信頼性において大幅な向上を実現し、比較対象の中で最高スコアまたは最速の結果を記録しました。発話しながらクエリを推論するため、他の音声対話モデルよりもはるかに賢くかつレイテンシを増加させないようになっているのが特徴的です。

そんなGrok Voiceの最新モデルであるGrok Voice 3.0が2026年10月14日に発表されました。Grok Voiceは、テスラとSpaceXAIで1日に数百万件もの会話をサポートしていますが、SpaceXAIによると、Grok Voice 3.0は顧客サポートコールの解決時間において新記録を樹立したとのこと。

Artificial Analysisによる独自テストにおいて、以下は上から「音声関連品質指標全体」「音声推論」「人間の好み」「タスク成功率」「会話のダイナミクス」のスコアを示しています。それぞれ前モデルのGrok Voice 2.0から向上しており、GPT-Live-1(Astra、medium)およびGemini 3.8 Live(Ext. Thinking, High)と比較して全ての項目で上回っています。

また、エージェントがさまざまなアクセント、背景雑音、割り込みのあるサポートコールにどれだけ適切に対応できるかを測定する「τ-Voice」では、Grok Voice 3.0は71.6％のスコアを獲得。GPT-Live-1(Astra、medium)と同等の性能を発揮しながら、レイテンシは40％低く、「エージェントのインテリジェンスと応答性のバランスにおいて新たな境地を切り開きました」とSpaceXAIは述べています。

Artificial Analysisの音声対音声モデルを分析して集計した「Speech to Speech Index」において、記事作成時点でGrok Voice 3.0がスコア「86.9」で1位となっています。モデルを隠した状態で人間がライブ音声会話の好みを評価するスコアでは全体3位、タスク成功率では全体1位、パフォーマンスベンチマークでは全体2位を記録しました。

SpaceXAI’s Grok Voice 3.0 is the new leading Speech to Speech model, debuting at #1 on the Artificial Analysis Speech to Speech Index at 86.9, while also being competitive on latency

Grok Voice 3.0 is @SpaceXSI 's successor to Grok Voice 2.0, a Speech to Speech model available… pic.twitter.com/eVtXVwEYGs

— Artificial Analysis (@ArtificialAnlys) 2026年10月14日

また、音声対話AIの推論能力を測定するベンチマーク「Big Bench Audio」における最初のオーディオまでの平均時間でGrok Voice 3.0は「0.81秒」を記録し、同等クラスのパフォーマンスを持つ音声AIモデルであるGPT-Live-1(Astra、medium)の1.34秒、Gemini 3.8 Live Extended Thinking(High)の1.35秒よりも短い応答時間を記録しました。Speech to Speech Indexのトップ5に入るモデルで、1秒未満の応答速度を記録しているのは記事作成時点ではGrok Voice 3.0とGrok Voice 2.0のみとなっています。

Grok Voice 3.0's average Time to First Audio on the Big Bench Audio benchmark is 0.81 seconds, ~40% faster than GPT-Live-1 (Astra, medium) (1.34s) and Gemini 3.8 Live Extended Thinking (High) (1.35s), the next two models in our Speech to Speech Index, and just behind Grok Voice… pic.twitter.com/y2FvmHN4Na

— Artificial Analysis (@ArtificialAnlys) 2026年10月14日

さらに、Grok Voice 3.0の入力オーディオ1時間あたりの価格はGrok Voice 2.0と同じ4.80ドル(約756円)。SpaceXAIは「他の最先端モデルよりも低価格」とアピールしています。

Grok Voice 3.0's average Time to First Audio on the Big Bench Audio benchmark is 0.81 seconds, ~40% faster than GPT-Live-1 (Astra, medium) (1.34s) and Gemini 3.8 Live Extended Thinking (High) (1.35s), the next two models in our Speech to Speech Index, and just behind Grok Voice… pic.twitter.com/y2FvmHN4Na

— Artificial Analysis (@ArtificialAnlys) 2026年10月14日

Grok Voice 3.0はテスラ車内のハンズフリーリクエストやStarlinkのコールセンターで利用されているほか、2026年10月14日からVoice Agent APIで利用可能となっています。API料金は1分あたり0.08ドル(約12円)。Grok Voice 2.0と同じ価格のため、grok-voice-latestを使用しているエージェントは変更作業不要で自動的にGrok Voice 3.0へ切り替えられています。