Grok Voice 3.0が音声to音声インデックスで86.9を記録して首位に — そしてレイテンシー記録を返上

誰もが引用する数字は86.9だ。これはGrok Voice 3.0が2026年10月13日にArtificial Analysis Speech to Speech Indexのボードが再実行された際に記録したスコアであり、置き換えるモデルであるGrok Voice 2.0の81.3を5.5ポイント上回っている。また、Astra medium構成のGPT-Live-1の83.2、Gemini 3.8 Live Extended Thinkingの82.6も上回っており、これによりxAIの音声モデルとして初めて首位を単独で獲得し、その座を分け合う形ではなくなった。SpaceXAIは10月14日にこれを発表し、同日にAPIリリースノートも更新され、引退するモデルと同じ1分あたりの価格に設定されている。

誰も引用しない数字、xAIがヘッドラインに載せなかったその数字は、0.70だ。これはGrok Voice 2.0の初回音声までの時間（秒）で、Grok Voice 3.0の0.81より速い。1年間サブ秒のターンテイキングを売り込んできた企業が、今や自社の旧モデルより0.11秒遅く話し始めるフラッグシップを投入している。それでも、Artificial Analysisが1.34秒と測定したGPT-Live-1構成より、スタートは約40%速い。だからマーケティング上の主張は素直に読めば生き残る。ただ、前バージョンとの比較には耐えない。

実際に出荷されたもの、そしてそのコスト

Grok Voice 3.0 は、前世代と同じリアルタイム WebSocket エンドポイント経由で提供される音声対音声モデルであり、セッションパラメータもイベント名も同じです。新しい SDK も移行ドキュメントもありません。移行すべきものが何もないからです。変わったのはモデル文字列であり、その背後にある挙動です。

• 価格 — 音声1分あたり$0.08、または1時間あたり$4.80、加えてテキスト入力1件あたり$0.004。Grok Voice 2.0と同一。これは価格を据え置いた機能更新であり、価格改定ではありません。

• エイリアスの動作 — grok-voice-latest は grok-voice-3.0 に解決されるようになりました。このエイリアスに対してデプロイしていたユーザーは全員、コード変更もバージョン固定もなしに、自動的に新しいモデルへ移行されました。

• 非推奨 — grok-voice-2.0 は非推奨としてフラグ付けされています。xAI が文書化しているアップグレード方法は、model フィールドを grok-voice-3.0 に設定するか、エイリアスをそのままにしておくことです。

• エンドポイントと認証 — 変更なし。リアルタイムURLも、ベアラートークンハンドシェイクも、クライアント側接続用の短命なエフェメラルトークンも同じです。

• Voices — 組み込みの音声セットとカスタム音声エンドポイントは変更ありません。カスタム音声は最大120秒の参照クリップからトレーニングされ、生成された voice_id はリアルタイム API とストリーミングテキスト読み上げの両方で機能します。

最後のリストこそ、このエイリアス変更が聞こえ以上に重要である理由だ。Grok Voice 2.0 がエイリアスのターゲットにされたのは2026年8月5日のことで、今回のリリースのおよそ10週間前になる。8月に grok-voice-latest を前提に構築したチームは、これでたった四半期の間に2度のサイレントなモデル差し替えを経験したことになる。これはチャットボットの実験にとっては好ましい性質だが、特定の音声のタイミングを前提に回帰テストスイートが書かれた電話システムにとっては、あまり好ましい性質とは言えない。

インデックスを、コンポーネントごとに

合成指標は議論を覆い隠すので、Grok Voice 3.0を分解して検証する価値がある。以下のすべての数値は、2026年10月13日付のArtificial Analysis自身のテストに由来する。

• 音声推論、{{1}}Big Audio{{/1}} — 98.5%、Grok Voice 2.0 の 97.2% から上昇。

• 会話のダイナミクス、Full Duplex Bench — 97.0%、95.1%から上昇。

• Speech Agent Arena の選好 — Elo 1070、1011 から上昇し、ボード上で最高。

• タスク成功率 — 94.8%、94.6% から上昇。これは5項目の中で最も小さな動きであり、その点は特筆に値する。生のタスク完了率で見る限り、この2つのモデルは測定誤差の範囲内で同一のモデルである。

• エージェント性能、τ-Voice — 71.6%、56.5%から上昇。これは今回のリリースで最大の単一の動きであり、エージェントが単に有能そうに聞こえるだけでなく、マルチターンのジョブを実際に完了できるかどうかを測る、まさにそのコンポーネントにおける15ポイントの急上昇だ。

• 初回音声までの時間 — 0.81秒、Grok Voice 2.0の0.70秒に対して。

それらをまとめて読むと、総合スコアが語るよりも有用な話が見えてくる。5.6ポイントのインデックス上昇は均等に分布しているわけではない。そのほとんどすべてはエージェント性能とアリーナ選好によるもので、推論と双方向処理はわずかに上向き、生のタスク成功率は横ばいだ。Grok Voice 3.0はより優れたエージェントであり、より優れた会話相手ではない。もしあなたの音声製品が、予約を取ったり注文状況を確認したりするサポート窓口なら、それはまさにあなたが望む差分だ。もしそれがコンパニオンやロールプレイ用フロントエンドなら、インデックスの上昇はほとんど的外れであり、その代償としてレイテンシのペナルティを支払っていることになる。

リーダーがリーダーではない唯一のテスト

τ-VoiceはxAIが語るべきコンポーネントであり、依然として後れを取っているものでもある。71.6%と、Grok Voice 3.0は前身の56.5%から伸びているものの、Astraを中程度の推論設定で構成したGPT-Live-1には及ばず、Artificial Analysisはこれを74.5%としている。同じテストでGemini 3.8 Liveは68.6%だ。

つまり、このリリース後のカテゴリーの構図は次のとおりだ。xAIは総合ベンチマークとアリーナを押さえており、OpenAIはエージェント型タスク完了テストを押さえている。Googleはどちらも押さえておらず、しかも両方より安価だ。これら3つの記述はどれも互いに矛盾しないし、最初の記述だけを報じる記事は、結果ではなくランキングを報じていることになる。

ベンダーは、どのボードもカバーしないと主張している

性能に関する主張には、Artificial Analysisが測定しておらず、測定できない第2層の数値が伴う。それは、ある企業自身の製品内における本番トラフィックを表しているからだ。これらはxAIの数値であり、xAIによって報告されたもので、独立した検証は得られておらず、今後も得られる可能性は低い：

• Tesla — Grok Voiceは、車内で1日あたり数百万件もの会話を処理しているとされ、コネクタを通じてカレンダーやメールの操作を、またGrok Botの音声モードを通じてフード注文をこなしている。

• Starlinkサポート — 複数の言語で1日あたり2万件の顧客からの電話に対応し、約70%が人間を介さずに解決され、セールスコールの約4件に1件が購入に至る。同じエージェントが、本人確認、ハードウェアのトラブルシューティング、アカウントのクレジット、交換品の発送を1つのフローで処理すると説明されている。

• ServiceNow EVA-Bench — 四捨五入した74%の精度値で、そのベンチマークで最高、かつ精度と顧客体験を総合的に評価した場合に最良と報告されています。EVA-Benchは、カスタマーサービスを15のツールと50のシナリオ、ITサービスマネジメントを59のツールと80のシナリオ、HRを47のツールと83のシナリオでカバーしています。

最初の二つは、証拠としてではなく意図の説明として扱うべきだ。それらは、音声モデルが機能することの最強の証明になり得る——自社の収益通話をそれ経由で流している企業は、自らリスクを負っている——と同時に、読者にとっては最も弱い証拠でもある。なぜなら、そのいずれも外部からは監査できず、そのいずれも、モデルを、その周囲に巻き付いたプロンプト、検索、エスカレーション・ポリシーから切り離していないからだ。とりわけ70%という封じ込め率は、モデル級の衣装をまとったシステム級の数字である。

動かなかった価格が教えてくれること

料金を1分あたり$0.08に据え置いたことが、今回の発表で戦略上最も興味深い点だ。明白な見方は競争圧力である。Googleはこの1年、Gemini Liveをこのカテゴリーにおける安価な選択肢として位置づけてきた。そしてxAIの音声ラインの前世代は、Think Fastラインが1時間あたり$3.00から$4.80へ移行した際に、すでに60%の値上げを吸収していた。フラッグシップ料金を再び引き上げるという手段はなかった。

二次的影響は、コストをモデル化するあらゆる人に及ぶ。Artificial Analysisのタスクごとの測定では、Big Bench Audioタスクを完了するのにGrok Voice 3.0が$0.025であるのに対し、GPT-Live-1 Astra mediumは$0.030、GPT-Realtime-2.1 Highは$0.055となっている。タスクあたりより安く、タスクあたりより正確であるという組み合わせは、調達をめぐる議論に終止符を打つ。そして、このカテゴリーで単一のモデルがその両方を同時に実現したのは初めてである。

この図式にルーティング層が関与する範囲は、見た目よりも狭く、そこは正確に述べておく価値があります。OrcaRouter は Grok Voice 3.0 のリアルタイムエンドポイントを提供していません。それは xAI 自身の API から提供されるもので、Gemini Live や GPT-Live-1 の相当品も同様です。当社が担うのはテキスト側です。200 以上もの言語モデルを、プロバイダー表示価格のまま、マークアップゼロで、1 つのキーの背後に提供しており、文字起こしのクリーンアップ、通話後の要約、文字起こしの処分コードへの分類、そして音声モデルが委任するツール呼び出しロジックは、まさにここに住みがちです。これらはごく普通のリクエスト課金型モデルであり、ルーターがまさに得意とするワークロードです。そして表示価格がそのまま透過するため、これらのいずれかでベンダーの値下げがあれば、それは次回の更新時ではなく当社側で当日から有効になります。

まだ測定されていないものは何ですか？

三つのことだ。そして、今動くべきかピンすべきかを決めるのは、それらであるべきだ。

第一に、長時間セッションの安定性だ。上記の数値はすべて、短い採点済みの対話から得られたものだ。20分の通話がエラー率に何をもたらすかを扱った公表文献はなく、全二重モデルにとって興味深い障害モード——ドリフトの蓄積や、割り込み時に劣化するターン交代ポリシー——は、ターンではなく分単位の時間の経過の中でしか現れない。

2つ目はノイズチャネルに関する主張だ。xAIの前世代は、電話条件下での単語誤り率を売り文句にしていた。そしてそれは、このローンチ全体の中で最も反証可能な主張である。通話録音のコーパスと午後ひとつ分の時間さえあれば、誰でもそれを確認できる。

第三は、0.81秒という数値が負荷時にも成り立つかどうかです。初回音声までの時間は静かなシステムで測定されます。本番環境は静かなシステムではありません。

それらが実装されるまでの間、Grok Voice 3.0 についての正直な要約はこうだ。それは公開リーダーボード上で最高の音声モデルであり、その差は確かに実在するが、1つの次元に集中している。置き換えるモデルと同じコストがかかり、そのモデルより話し始めるのが遅く、既存のすべての grok-voice-latest デプロイを確認を取らずに自身へ移行させた。最初の3つは、それを試す理由だ。4つ目は、試す前に設定にバージョンピンを入れておく理由だ。

音声モデルのリリースは、これまでに何がうまくいかなかったかを確認すべき瞬間でもあります。このクラスのモデルに関する、記録に残されたAIインシデントやエージェントの失敗は、the OrcaRouter AI Incident Archiveに集められており、各項目にはそれぞれの情報源、重大度、信頼度グレード、係争中フラグが付されています。