Grok Voice 3.0：「1秒未満」は本当で、「40%低い」は誤ったモデルを基準に測定されている

SpaceXAIはGrok Voice 3.0を2026年10月14日に発表しましたが、その筆頭の売り文句は、モデルが1秒未満で応答しつつレイテンシを40%削減するというものでした。そのどちらの半も数字と突き合わせて生き残ります。だからこそ、どの数字なのかを読む価値があるのです。1秒未満という主張は本物です。最初の音声までの時間は0.81秒で、これは今日、最先端の音声対音声モデルが公表している数値の中で最速です。40%という主張もまた本物で、これはGrok Voice 3.0を、GPT-Live-1にAstraを中程度の推論エフォートで構成したものと比較したもので、リーダーボードの測定値では1.34秒です。発表資料が語っていないのは、これが置き換えるモデル、すなわちGrok Voice 2.0は0.70秒で話し始めるという点です — つまり、それを引退させたフラッグシップよりも0.11秒速いのです。

それは誤りを暴くものではない。これが今回のリリースの姿であり、そのすべての部分がトレードオフだ。Grok Voice 3.0は前身より実質的により優れたエージェントであり、口を開くのは少し遅い。そしてそれら二つの事実は、あなたの電話回線が何のためのものかによって、相反する方向を指す。

動いた4つの数字、そして動かなかった2つ

Artificial Analysisは2026年10月13日、発表の前日にSpeech to Speechボードを再実行したため、この測定はマーケティングより前に行われたものです。以下のすべての数値はボードのものであり、SpaceXAIのものではありません。

• 総合指数 — 86.9、Grok Voice 2.0 の 81.3 から上昇し、ボード上で最高スコア。Astra ミディアム構成の GPT-Live-1 は 83.2、Gemini 3.8 Live Extended Thinking は 82.6。

• 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動きであり、他を大きく引き離している。エージェントが多段階のジョブを完了するか、それとも単にそれを有能にこなしているように聞こえるだけかを評価するコンポーネントにおける15ポイントの上昇だ。

• アリーナの優先度 — Elo 1070、{{1}}1011から上昇{{/1}}し、{{2}}ボード上で最高{{/2}}。

• 初回音声までの時間 — 0.81秒、置き換えるモデルは0.70秒。遅くなってはいるが、SpaceXAIが対比しているGPT-Live-1構成よりは依然として約40%速く動き出す。

• タスク成功率 — 94.8%、対 94.6%。0.2ポイント差。生のタスク完遂率で見るなら、これらは測定誤差の範囲内で同じモデルだ。

• 価格 — 音声1分あたり$0.08、1時間あたり$4.80、さらにテキスト入力1件あたり$0.004。Grok Voice 2.0と同一。これは料金表を据え置いたままの機能アップデートであり、価格改定ではありません。

見出しの数字よりも、その内訳のほうが重要だ。5.6ポイントの総合スコア上昇の大半は、エージェント性能とアリーナ選好から来ており、音声推論にはわずかな押し上げがあり——ボードの推論コンポーネントはスナップショット次第で98.5から99の間を示し、どちらにしても天井だ——生のタスク成功率は横ばいだった。Grok Voice 3.0はより優れたエージェントだ。より優れた会話相手ではないし、より速いわけでもない。

「カスタマーコール」が実際に指し示すもの

今回のリリースを明るみに出した概要資料は、これを顧客対応通話向けに作られたものと説明しており、ベンダー資料も、外部の誰にも検証できない導入実績の数字によってその見方を裏付けている。SpaceXAIによれば、Grok VoiceはTesla車両とSpaceX全体で毎日数百万件の会話を支え、Starlinkのサポートは複数言語にわたり1日2万件の顧客通話を処理し、その約70%が人を介さずに解決され、販売通話の約4件に1件が購入に至るという。また、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、アカウントへのクレジット付与、交換品の発送を1つのフロー内で処理するとしている。さらに、ServiceNowのEVA-Benchでは四捨五入して74%という数値も報告している。

コンテインメント率は注意深く読んでください。なぜなら、それはシステムの結果であるのに、モデルの能力として引用される可能性が最も高い数値だからです。サポートエージェントがエスカレーションせずに何件のコールをクローズできるかは、プロンプト設計、検索品質、そしてあなたが書いたエスカレーション・ポリシーに左右されます — 基盤となるモデルだけに依存するわけではありません。ベンダーが自社の収益コールを自社モデル経由でルーティングしていることは、その仕組みが機能しているという利用可能な最強のシグナルであると同時に、読者にとっては利用可能な最も弱い証拠でもあります。なぜなら、そのどれもがモデルとラッパーを切り分けていないからです。

τ-Voiceの動きは、部外者でも確認できる数字で同じ問いに答える、今回のリリースの一部だ。マルチターンのエージェント型ベンチマークで56.5%から71.6%へ上がることは、会話を続けられる音声モデルと、その会話の中でタスクを完了できる音声モデルとの違いだ。それこそが買うに値する主張であり、封じ込めの数値は待つに値するものだ。

誰の同意も必要としなかった移住

Grok Voice 3.0 は、前身と同じリアルタイム WebSocket エンドポイント上で動作し、同じセッションパラメータ、同じイベント名、同じベアラートークンハンドシェイク、そして同じ組み込み音声セットとカスタム音声エンドポイントを備えています。SDK の変更も移行ドキュメントもありません。移行するものがないからです。変わったのはモデル文字列であり、その背後にある挙動も変わりました。

次にエイリアスがあります。grok-voice-latestは現在Grok Voice 3.0に解決され、grok-voice-2.0は非推奨としてフラグ付けされています。エイリアスに対してデプロイしたものはすべて、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。そしてこれは見た目以上に重要です。なぜなら、このエイリアスがGrok Voice 2.0を指すようになったのは2026年8月5日のことだったからです。8月にそれを使って構築したチームは、1四半期の間に2回のサイレントなモデルスワップを経験したことになります。チャットボットの実験ならそれは便利さにすぎません。特定の音声のタイミングと特定の初回音声到達時間を前提に回帰スイートを書いた電話システムにとっては、それは誰かがあなたに代わって行った構成変更なのです。

同じブリーフの2番目の項目

ローンチは単独でやってきたわけではない。Grok Bot マーケットプレイスが、コネクタとプラグインの開発者による投稿を受け付けるようになった。これはまた別の種類のニュースであり、二つの発表が互いに作用し合うため、触れておく価値がある。Grok Bot は、クラウドコンピュータがチームですでに使用しているツールにサインインするエージェント製品だ。コネクタの投稿パイプラインは、その統合リストを、SpaceXAI が書いたものから顧客が必要とするものへと変えるものだ。

二つを組み合わせると、興味深い帰結は商業的というよりアーキテクチャ上のものになる。音声がエージェントへのインターフェースであり、エージェントの到達範囲が呼び出せるコネクタによって定義されるなら、呼び出しが解決するかどうかを決める表層は、ますますツール層になっていく。それは音声ベンダーが所有しておらず、ベンチマークもしていない層だ。それに関する公表された数字は存在せず、今後も存在しない。顧客ごとに異なるからだ。

ここでルーターが実際に要となるのはどこか

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。そのエンドポイントはSpaceXAIに属するものであり、あるベンダーが所有する双方向音声セッションに介入できるものは何もありません。そうでないと主張する人は、自分が持っていない能力について語っているだけです。当社が動かしているのはその下にあるテキスト層です — 通話後に記録を書き出す要約エンジン、ディスポジションコードを割り当てる分類器、音声モデルが引き継いだ内容に答える検索、そしてマーケットプレイスが現在受け入れているコネクタの背後にあるツール呼び出しです。その作業はリクエスト単位で課金され、通話あたりのコストの意味のある部分がそこで積み上がります：十数社以上のアップストリームから207のモデルを1つのキーで、プロバイダーの定価のままマークアップゼロ、プロバイダーが劣化した際の自動フェイルオーバー、そして複数のモデルを1つの呼び出しに組み合わせるルーティングDSLを備えています。マークアップがないため、それらのモデルのいずれかでベンダーの値下げがあれば、次回の更新時ではなく当社側ではその当日に反映されます。

まだ測定されていないものは何ですか？

3つのこと。そして、今すぐ動くか、先にバージョンを固定するかを決めるべきなのは、それらです。

第一は長時間セッションの安定性だ。上記の数値はすべて、短時間の評価済みインタラクション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、全二重モデルで重要となる故障モード——蓄積するドリフト、繰り返しのバージイン下で劣化するターンテイキングポリシー——は、ターン単位ではなく数分単位で初めて現れる。

2つ目は、0.81秒という値が負荷の下でも維持されるかどうかです。最初の音声が出るまでの時間は静かなシステムで測定されており、本番環境は静かなシステムではありません。前機種の0.70秒も同じ方法で測定されていたため、少なくとも両者間の比較は同一条件での比較になっていますが、稼働中のデプロイとの比較は同一条件ではありません。

第三はノイズチャネル主張だ。この系統の前世代は、電話条件下および24言語にわたる単語誤り率を売り文句にしていた。そしてそれは、ベンダーが音声モデルについてこれまで述べた中で最も反証可能なことだ。新しいローンチ資料はそれを繰り返していない。それは見落としであるか、認めたことであるかのどちらかで、部外者には現時点でどちらか分からない。通話録音コーパスと午後ひとつ分の時間がある人なら誰でも検証できる。誰かがそうするまでは、Grok Voice 3.0についての正直な要約はこうだ。公開ボードで最高の総合スコア、エージェント性能に集中している。引退させるモデルと同じ価格。そのモデルより話し始めるのが遅い。そして既存のすべてのエイリアスユーザーに、尋ねることなく配備された。最初の3つはそれを試す理由であり、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。