xAIは、1秒未満の低遅延をうたう音声対音声モデル「Grok Voice 3.0」を発表し、APIで使えるようにしました。日本の企業は電話対応や音声アシスタントの開発候補にできます。ただし、日本語に対応しているかは公式発表に書かれておらず、事前の確認が必要です。
この記事は、xAIが2026年10月14日に公開した公式発表をもとに、2026年10月15日時点の情報で書いています。
何が発表されたか
- 音声対音声（speech-to-speech）モデルです。話しかけた音声に、音声で応答するタイプのAIです。
- 応答の遅延は1秒未満とされています（xAIの説明）。
- 発表日の時点で、Voice Agent APIから利用できます。料金は1分あたり0.08ドル（1時間4.80ドル）で、前のバージョンのGrok Voice 2.0と同じです。
- 第三者機関Artificial Analysisの評価で、Speech-to-Speech Indexが86.9となり1位だと、xAIは紹介しています。
- 利用実績として、Tesla車内の音声操作や、Starlinkのコールセンターが挙げられています。
- grok-voice-latestを指定しているエージェントは、自動で3.0に切り替わっています。変更作業は不要とされています。
| 項目 | 公式発表の内容 |
|---|---|
| 発表日 | 2026年10月14日 |
| 提供形態 | Voice Agent API（発表日から利用可能） |
| 料金 | 1分あたり0.08ドル（1時間4.80ドル） |
| プラン区分・提供地域 | 発表されていません |
| 対応言語 | 一覧は発表されていません。Starlinkのコールセンターは複数言語で使っているとの記載のみです |
| 日本語対応 | 発表されていません |
比較に使われた数値は、Artificial Analysisの2026年10月13日付の結果として、xAIが公式ページで示したものです。主な数値は次のとおりです。
- Full Duplex Benchは97.0%です。これは、会話中の間の取り方や割り込みへの対応を見る指標です。
- Task Success Rateは94.8%です。
- ServiceNowが公開する企業向け音声エージェントの評価EVA-Benchでは、正確さのスコアが74%で最高とされています。
- Starlinkのコールセンターは、1日2万件の電話に対応しています。このうち約70%は人が介在せずに解決し、営業電話の4件に1件は通話中に購入に至るとされています。
これらは発表元であるxAIが選んで示した数値です。自社の業務で同じ結果になるとは限りません。
日本の企業・学校でどう使えるか
ここからは、TERRAISEの考えにもとづく提案です。
業務・授業での使いどころ
- カスタマーサポート（問い合わせ窓口）：入力は顧客の電話音声とFAQ・手順書です。処理は、AIが用件を聞き取って案内します。出力は音声での回答と、人に引き継ぐ際の用件メモです。Starlinkのような大量の電話の一次対応が参考になります。
- 総務・情報システム部門の受付：入力は社員からの問い合わせ音声です。処理は、よくある質問への回答や、担当者への取り次ぎです。出力は音声での案内と、対応の記録です。営業時間外の一次受付から試せます。
- 学校の授業・校務：外国語の会話練習の相手や、学校説明会・入試に関する問い合わせの一次受付が考えられます。対応言語を確認したうえで、授業では教員が内容を点検し、校務では個人情報を扱わない範囲から始めるのが安全です。
始め方
- DX担当者または情報システム担当者が、公式ページのドキュメント（View Docs）で、対応言語と利用条件を確認します。
- 業務担当者が、試したい通話のシナリオを数本選びます。営業時間の案内や予約の変更など、答えが決まっているものが向いています。
- 開発担当者が、公式ページにある無料の試用（Try It Free）を使い、日本語の聞き取りと応答の速さを確かめます。無料の範囲や条件は本文に書かれていないため、先に確認してください。入力は実際の顧客音声ではなく、ダミーの音声にします。
- 解決率、人への引き継ぎ率、1通話あたりの費用の見方を決めます。料金は1分0.08ドルなので、月の通話時間から概算できます。
- 小さな範囲で運用を始め、いつでも人に代われる導線を用意します。
注意点
- 日本語対応は未確認です。 公式発表に日本語の記載はありません。実用になる品質かは、自社で試して判断してください。
- 数値は条件つきです。 比較の数値は、xAIが紹介した第三者評価のものです。自社の通話は、方言、専門用語、雑音などで結果が変わります。
- データの扱いを決めておきます。 顧客の音声や個人情報を入力してよいか、保存や学習への利用がどうなるかは、発表本文に書かれていません。公式の規約を確認し、社内ルールと法務の確認を済ませてから使ってください。
- 費用は音声の利用料だけではありません。 発表されているのはAPIの分あたり料金だけです。システム開発や運用の費用は別に見込む必要があります。
- すでに使っている場合は挙動を確認します。 grok-voice-latestを指定していると、自動で3.0に変わっています。応答の変化を確かめてください。
- 事例は海外のものです。 TeslaやStarlinkの利用実績は、そのまま日本の業務に当てはまるとは限りません。
TERRAISEに相談する
音声AIは、電話のどの工程を任せ、どこから人が担うかを決めると、導入の判断がしやすくなります。TERRAISEでは、業務を入力→処理→出力に分けて整理する方法を使っています。60分の無料相談で、自社・自校の業務への当てはめ方を一緒に整理できます。経営判断の面はAI顧問、学校での活用は教育機関向けAI教育のページもご覧ください。
出典（2026年10月15日 07:02 確認）
製品名・機能・提供範囲・料金は変わることがあります。導入前に必ず公式情報をご確認ください。
Supervised by — 監修
株式会社TERRAISE 代表取締役CEO 舟橋 遼亮2025年2月に株式会社TERRAISEを創業。お茶の水女子大学 外部講師、Google AI Student Ambassador（2025年）を務める。上場企業や全国の高校などで、AIの活用を実際に指導している。