xAIが新しい音声対音声モデルGrok Voice 3.0を出しました。値上げはありません。Voice Agent APIは1分0.08ドル、1時間4.80ドルで、Grok Voice 2.0と同じです。エージェントがgrok-voice-latestを指していれば、もう新モデルで動いていて、設定を変える必要はありません。
目玉の数字は、xAIが引用するArtificial Analysisの結果です。Speech-to-Speech Indexで86.9を記録し、GPT-Live-1の83.2、Gemini 3.8 Liveの82.6、前世代の81.3を上回りました。この指標は、音声での推論、サポート電話を想定したτ-Voice、ブラインドでの一対一比較による好みとタスク成功率を合わせたものです。xAIはほかに、間の取り方や話者交代、割り込みへの対応の自然さを測るFull Duplex Benchで97%、τ-Voiceで71.6%という数字も挙げています。後者はGPT-Live-1と同程度で、遅延は約40%短いとしています。企業向け音声エージェントを評価するServiceNowのEVA-Benchでは、精度74%で最高でした。
xAIによると、このモデルはすでにTeslaの車内で1日数百万件の会話を処理しています。StarlinkのコールセンターもGrok Voiceで1日約2万件の電話に対応しており、およそ7割が人の手を介さずに解決しているそうです。