Markdown版

AI-translated from English; not yet reviewed by a fluent editor.

# Grok Voice 3.0、サポート試験は改善も最初の音声は遅く

> ホスト型Voice Agent APIはGrok Voice 3.0に移行した。独立した模擬サポート評価の得点は上がったが、最初の音声までの時間は増え、公表された音声料金には別途テキスト料金がかかる。

By BIG CHANGE Editorial

Published: 2026-10-15T16:54:16.962Z
Updated: 2026-10-15T16:54:16.962Z
Canonical: https://bigchange.ai/blog/grok-voice-3-api-benchmark-support-calls

![Conceptual charcoal illustration of an unbranded call headset and tabletop speakerphone in a sound-treated room.](https://bigchange.ai/api/media/file/grok-voice-support-call-concept-v1.png)
AI-generated conceptual illustration by BIG CHANGE; no actual xAI hardware, API interface, customer call or measured outcome is depicted.

xAIは10月14日、ホスト型Voice Agent APIを通じてGrok Voice 3.0を公開した。顧客サポート用の音声エージェントを選ぶチームにとって、[Artificial Analysisの現在の音声対音声評価表](https://artificialanalysis.ai/speech-to-speech)は、模擬サポート課題でGrok Voice 2.0を15.1ポイント上回り、別の課題成功指標の変化は小さく、最初の音声応答は遅くなったことを示している。

xAIによると、エイリアス `grok-voice-latest` は自動的に3.0へ接続されるようになった。[現在のAPIガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)は、リリースを固定したいチーム向けにバージョン付きの名前 `grok-voice-3.0` も提供している。xAIによれば、WebSocketエンドポイント、セッションパラメーター、イベントは2.0と変わらない。エイリアスの利用者はアプリケーションを移行する必要はないが、可変のエイリアスの背後でモデルが変わることは、アプリ独自の通話テストを再実行する理由になる。

## 大きな変化

- **変わったこと：** APIエイリアス `grok-voice-latest` の背後で、Grok Voice 3.0が2.0を置き換えた。Artificial Analysisの模擬顧客サポートベンチマークの得点は、2.0の56.5%から71.6%に上がった。
- **重要な理由：** この指標は、航空会社、小売、通信の台本に沿った問題で、エージェントが正しいデータベース状態に到達するかを試す。一般的な音声推論の得点よりサポート業務に関係するが、あくまでシミュレーションである。
- **注目すべき点：** 同じ評価者が測定した最初の音声までの時間は、3.0が0.81秒、2.0が0.70秒だった。チームは固定バージョンの導入環境を切り替える前に、自社の応答時間、課題完了、課金対象セッションの長さを確認すべきだ。

## サポート得点と応答の遅れ

Artificial Analysisの[評価方法](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking)では、τ-Voiceテストは、方針文書と分野別ツールを備えたエージェントに模擬顧客が電話するものと説明されている。航空会社、小売、通信の課題には定められた最終データベース状態があり、得点は3回の試行の平均となる。現在の表でGrok Voice 3.0は71.6%、Grok Voice 2.0は56.5%であり、その試験条件で15.1ポイント上昇した。評価では模擬顧客、生成音声、文字起こし、採点用モデルを使う。導入済みサービスが実際の電話客の問題を解決する割合を測定したものではない。

別のSpeech Agent Arena課題成功率は、2.0の94.6%から3.0の94.8%へわずかに上昇した。この指標は、課題を完了する正しい最終ツール呼び出しが含まれる対象会話を数えるもので、τ-Voiceとは異なるテストを使う。Artificial Analysisの総合指数は81.3から86.9に上がった。現在の版は音声推論、τ-Voice、発信者によるブラインドの好み、Arenaの課題成功に同じ重みを与える。どの数値も、単独ですべての顧客対応課題の改善を立証するものではない。

速度について、Artificial AnalysisはBig Bench Audioの質問で最初の音声が出るまでの平均時間を報告している。Grok Voice 3.0は0.81秒、2.0は0.70秒だ。このため、新モデルはその試験で話し始めるまでに0.11秒長くかかった。xAIが[リリース発表](https://x.ai/news/grok-voice-3)で遅延を「1秒未満」としていても、この結果である。測定は最初の音声出力で終わり、通話全体の遅延や解決時間を測るものではない。

## 公表された音声料金に含まれるもの

xAIは両バージョンの音声対音声のオーディオ料金を1分0.08ドル、1時間4.80ドルとしている。[モデル料金ページ](https://docs.x.ai/developers/models/speech-to-speech)には、課金対象となる `conversation.item.create` テキストイベントごとに0.004ドルが加算されるとある。デフォルトの `server_vad` ターン検出では、音声の計量対象はセッション時間となる。プッシュ・トゥ・トークでは送受信した音声を数える。そのため、公表された時間料金で10分間開いたままのセッションには、別途課金されるテキストイベントを含めず、0.80ドルの音声料金がかかる。この計算はxAIの料金表に基づき、BIG CHANGEの請求書や試験した通話によるものではない。

開発者はサーバー側のWebSocket接続にxAI APIキーを使うか、クライアントアプリに短命なトークンを使う必要がある。[APIガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)は `wss://api.x.ai/v1/realtime`、クエリパラメーター `model`、指示・声・ターン検出用の `session.update` イベント、返答としてストリーミングされる音声イベントを説明している。xAIの上限はチーム当たり同時10セッション、1セッション最長120分だ。サポートチームは依然として、自社の方針、ツール、顧客データの境界、エスカレーション手順を用意する必要がある。公表されたベンチマーク構成から、その具体的な実装の性能が立証されるわけではない。

xAIはまた、StarlinkがGrok Voiceで1日20,000件の電話に対応し、約70%を人の介入なしで解決していると報告している。これは[企業が報告した運用数値](https://x.ai/news/grok-voice-3)であり、Artificial Analysisの合成テストはそれらを検証していない。BIG CHANGEはリリース、API、ベンチマークの文書を確認した。APIの利用、サポートエージェントへの電話、評価の再現は行っていない。

## 出典と参考資料

- [xAI：Grok Voice 3.0の紹介](https://x.ai/news/grok-voice-3)、2026年10月14日。提供開始、エイリアス変更、企業が報告する導入事例を発表している。
- [Artificial Analysis：音声対音声ランキング](https://artificialanalysis.ai/speech-to-speech)、2026年10月15日確認。指数、τ-Voice、Arenaの課題成功、最初の音声までの時間に関する現在の3.0と2.0の行。評価の更新で表は変わりうる。
- [Artificial Analysis：ベンチマーク評価方法](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking)、2026年10月15日確認。指数、模擬サポート試験、Arenaの課題成功指標、速度試験を定義している。
- [xAI：音声対音声APIガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)、最終更新2026年10月13日。モデル名、移行、WebSocketインターフェース、認証、セッション設定を説明している。
- [xAI：音声対音声の料金と上限](https://docs.x.ai/developers/models/speech-to-speech)、最終更新2026年9月22日、10月15日確認。音声とテキスト入力の料金、計量方式、同時実行数、セッション上限を示している。

## Sources

- [Grok Voice 3.0の紹介](https://x.ai/news/grok-voice-3) — ホスト型APIの最初のリリース、エイリアス変更、企業に帰属する導入状況の主張。
- [音声対音声AIモデル・提供者ランキング](https://artificialanalysis.ai/speech-to-speech) — 指数、tau-Voice、Arenaの課題成功、最初の音声までの時間に関する3.0と2.0のライブ行。値は更新されうる。
- [音声対音声ベンチマーク評価方法](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) — 指数v2.0、模擬サポートベンチマーク、Arenaの課題成功、TTFAの定義。
- [音声対音声APIガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) — エイリアス、バージョン固定、WebSocketインターフェース、認証、セッションパラメーター、移行。
- [音声対音声の料金とレート上限](https://docs.x.ai/developers/models/speech-to-speech) — 現在の3.0の音声・テキストイベント料金、計量方式、セッション上限。