xAI、音声対音声モデルGrok Voice 3.0を発表 APIで提供開始
Introducing Grok Voice 3.0
xAIはspeech-to-speechモデルGrok Voice 3.0を発表し、同日からAPIで提供を始めた。Artificial AnalysisのSpeech-to-Speech Indexで86.9点の1位となり、レイテンシは1秒未満としている。料金は前世代と同じ$0.08 / min（$4.80 / hr）である。
Artificial Analysisの独立テストでは、Grok Voice 3.0はSpeech-to-Speech Indexで86.9点を記録した。比較対象はGrok Voice 2.0が81.3、GPT-Live-1（Astra, Medium）が83.2、Gemini 3.8 Live（Ext. Thinking, High）が82.6である。Big Bench Audioは98.5%、Task Success Rateは94.8%、Full Duplex Benchは97.0%と示されている。
τ -Voiceでは71.6%で、GPT-Live-1（Astra）と同程度としつつ、レイテンシは40%低いという。Big Bench Audioの実行で測ったタスク当たりのコストも、GPT-Live-1（Astra, Medium）とGPT-Realtime-2.1を下回るとしている。ServiceNowのEVA-Benchでは精度スコア74%で最高となり、精度と顧客体験を合わせた評価でも最良とされる。
導入面では、Tesla車内で1日に数百万件の会話を処理している。ドライバーはConnectorsで予定確認やメール返信を、Grok Botでコーヒーの注文や夕食の予約を、ハンズフリーで行える。Starlinkのコールセンターでは1日2万件の通話に複数言語で対応し、約70%は人手を介さず解決、営業通話の4件に1件は通話中に購入に至るという。
Grok Voice 3.0はVoice Agent APIで即日利用でき、料金は$0.08 / min（$4.80 / hr）でGrok Voice 2.0と同じである。grok-voice-latestを使うエージェントは自動で切り替わっており、変更は不要である。
独立評価機関のスコアと競合モデルとの比較、料金と導入実績が並んでおり、音声エージェントの選定材料として読みやすい。
出典: xAI News · x.ai