Grok Voice 3.0 対 Grok Voice Think Fast 2.0：無料アップグレード、確かな進歩、1つの後退

モデルGrok Voice 3.0が置き換えるのは、Artificial Analysis で別の名前で見つかる同じモデルです。リーダーボードでGrok Voice Think Fast 2.0を検索しても見つかりません。Grok Voice 2.0 を検索すれば 81.3 が見つかりますが、これは以前のモデル自身のローンチ報道が「High」構成ラベルで Think Fast 2.0 について報じた数値です。SpaceXAI の API はそのモデル ID を grok-voice-2.0 と呼び、リリースノートは 7 月世代を Grok Voice 2.0 と呼んでいますが、それを発表した告知では Think Fast という名前が使われていました。つまり SpaceXAI が 2026 年 10 月 14 日に grok-voice-2.0 を非推奨とし、grok-voice-latest を grok-voice-3.0 に紐づけたとき、同社は自社のリーダーボードの行と自社のマーケティング名が二つの別物として語っているモデルを引退させたのです。

実用的な帰結はこうだ。多くのチームがすでに受け取っているアップグレード——エイリアスが移ったために、デプロイもなく、静かに——は、命名の混乱が示唆するより大きく、インデックスの差が示唆するより小さい。両モデルとも1分あたり$0.08、テキスト入力あたり$0.004を課金するので、価格は変わっていない。品質の大半は変わった。

アップグレードで得られるもの、コンポーネントごとに

このセクションのすべての数値は、Artificial Analysis 独自のテストによるもので、Grok Voice 3.0 については 2026年10月13日付、旧世代については同じボードに基づくものです。

• Speech to Speech Index — Grok Voice 3.0 が 86.9、Grok Voice Think Fast 2.0 が 81.3。総合で 5.6 ポイントの向上は、細かく分解して見るまでは単なるバージョンアップのように聞こえる。

• エージェント性能、τ-Voice — 71.6% 対 56.5%。ここにこのリリースの真価がある。マルチターンタスク完了率の15ポイント差は、台本どおりの通話を処理できる音声モデルと、分岐のある通話を処理できる音声モデルの違いだ。

• Speech Agent Arena の選好 — Elo 1070 対 1011。人間の選好で59ポイント、そしてボード上で記録された最高値。

• 会話のダイナミクス、Full Duplex Bench — 97.0% 対 95.1%。バージインとターンテイキングではほぼ2ポイント差。これは、このモデルラインがもともと勝つために作られた軸である。

• 音声推論、Big Bench Audio — 98.5% 対 97.2%。どちらも実質的に上限に達している。

• タスク成功率 — 94.8% 対 94.6%。測定誤差の範囲内で横ばい。評価が単一ターンのリクエストを正しく完了したかどうかであるなら、これら2つのモデルは同じスコアになり、アップグレードは見えません。

• 初回音声までの時間 — Grok Voice 3.0は0.81秒、Grok Voice Think Fast 2.0は0.70秒。

• 価格 — 両側で同一。1分あたり$0.08、1時間あたり$4.80、さらにテキスト入力あたり$0.004。

回帰、そしてそれがなぜ興味深い部分なのか

最後の2行を一緒に読んでください。Grok Voice Think Fast 2.0 は、初回音声出力までの時間を、自身の前身の1.25秒から0.70秒へ短縮し、xAIはその数字を強く売り込んだ——2026年7月下旬の出荷時点で、それはこのカテゴリーで公表された最速の数値であり、今なおボード上の他のどれよりも速い。Grok Voice 3.0 はそのうち0.11秒を返上する。

それはスキャンダルではないし、事故でもない。それはτ-Voiceの飛躍の目に見える代償だ。xAIがマルチターンタスク完了率を56.5%から71.6%へ引き上げるためにモデルに加えたものは何であれ、最初のオーディオフレームまでの時間を食う。そして、どれだけプロンプトエンジニアリングを重ねてもそれを取り戻すことはできない。遅延はモデルの手前ではなく、モデルの内側にあるからだ。

これを率直に述べておく価値があるのは、それが売り文句を逆転させるからだ。Think Fast 2.0 を選んだチームは、ほとんどの場合、その0.70のために選んだ。その理由でモデルをスタックに入れているのなら、後継モデルは、あなたがそれを導入した目的の特性において測定可能なほど劣っており、正直にやるべきことは、追加された0.11秒の遅延が、タスク完了率の15ポイント向上という利益を上回るコストになるかどうかを測定することだ。電話系のデプロイでは、答えはどちらの方向にも明白ではなく、エージェントがコールフローのどこで実際の作業を行っているかによって決まる。

エイリアスは移動しました。それは脚注ではありません。

10月14日のリリースをもって grok-voice-2.0 は非推奨となり、grok-voice-latest は現在 grok-voice-3.0 に解決されます。エイリアスに対してデプロイしていた人は全員、コード変更もなく、それを示すログも一切ないまま、自動的に新しいモデルへ移行されました。

それをタイムラインに照らし合わせると、単発の出来事ではなくパターンになる。2026年8月5日 — 今回のリリースの約10週間前 — に、grok-voice-latest は現在 Think Fast 2.0 と呼ばれるモデルを指すようになり、前世代に留まりたかった開発者は、その日付より前にバージョン付きモデル ID を固定するか、変更を受け入れるかを迫られた。それは1四半期に2回のサイレントな差し替えであり、それぞれがレイテンシ特性を0.1秒超変化させ、バージョンマニフェストも事前告知された非推奨期間もなかった。

チャットボットならそれで問題ない。特定の音声のタイミングに対して書かれた回帰テストスイートを持つ電話システムや、インタラクション遅延を明記したSLAの場合、それはエイリアスが見かけ上の抽象化ではないことを意味する。本番環境ではバージョン付きIDを固定し、grok-voice-latest はデプロイ対象ではなくステージング用の便宜として扱うこと。

変わらなかったこと、そして引き継がれる一つのこと

このアップグレードはほぼドロップインです。そして、その理由を具体的に述べる価値があります。というのも、代替手段——たとえば GPT-Live-1——では、音声トランスポートを WebRTC に書き換える必要があり、ここには相当するものがない委譲パターンも必要になるからです。Grok Voice 3.0 は、同じリアルタイム WebSocket エンドポイント、同じ session.update 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、クライアント側接続向けの同じ短命な一時トークンを維持しています。ボイスは変更なしで、最大 120 秒の参照クリップからボイスをトレーニングするカスタムボイスエンドポイントが生成する ID は、これまでとまったく同じようにリアルタイム API とストリーミング音声合成で機能します。

改善されるのではなく引き継がれるのは、文字起こし側のエビデンスだ。前世代は単語誤り率を前面に押し出して大々的に売り込まれた——xAIは24言語にわたる数千の短いフレーズを評価し、Deepgram Nova 3やElevenLabs Scribe v2を含む専用の音声テキスト化モデルより1.5～2.0倍低い誤り、自社の前世代より1.4倍低い誤り、背景雑音と電話音声の圧縮を伴う雑音条件下では約10倍低い誤りを見出したと報告した。これらはベンダー側の数値であり、独立に再現されたことはない。Grok Voice 3.0の発表資料はそれらを再掲しておらず、これは確認でも撤回でもない。雑音チャネルでの精度があなたの導入にとって要となるなら、それはボードから読み取るのではなく、自分で再テストしなければならない数少ない事柄の一つだ。

新しいものを、電話回線をそれに賭けずに試している。

ここでバージョンを固定するコストがごくわずかで済むのは、Grok Voice 3.0 に関して、並行して立ち上げるのが難しい部分など何もないからだ。そして、このスタックにルーターを入れておく価値があるのは、xAI だけに属するオーディオ層そのものではなく、そのオーディオ層が呼び出すあらゆるもののためである。

OrcaRouter は Grok Voice のリアルタイムエンドポイントを提供しておらず、提供することもできません。双方向オーディオ WebSocket は単一ベンダー専用の領域だからです。当社が運用しているのは、音声モデルが呼び出すテキスト層です。音声デプロイメントとは、音声モデルに加えて、分類器、要約器、検索ステップ、ツール呼び出しバックエンドで構成されるものであり、その部分はごく普通のリクエスト課金型推論です。1つのキーの背後に200以上のモデル、プロバイダー定価でマークアップゼロ。そのため、その層のどこかでベンダーが値下げを行えば、契約更新時ではなく当日中に当社側にも反映されます。プロバイダーの品質が低下した際の自動フェイルオーバーは、ライブ通話にとって、検索の再試行と発信者の切断という差を生みます。そして複数のモデルを1回の呼び出しに組み合わせられるルーティング DSLを使えば、音声パスに一切触れることなく、ライブトラフィック上でその組み合わせを切り替えられます。

その構造こそが、バージョン固定を低コストにしてくれる。本番には grok-voice-2.0 を据え置いたまま、2つ目の環境を grok-voice-3.0 に向け、同じバックエンドモデルに両方を応答させる——そうすれば、比較で測られるのは実際に変更したただ1つの変数だけになり、その下のコードパスはどちらの方向でも同一だ。

評決を、それぞれ一行で

エージェントが会話を続けるのではなく実際に仕事をするなら、アップグレードしましょう。価格は据え置きでτ-Voiceが15ポイント、arena preferenceが59ポイントというのは、今年このカテゴリで最も明快な「対価なしに価値を得る」取引であり、そのために統合内で動かす必要があるものは何もありません。

xAIの音声ラインを推す根拠が0.70秒のスタートだけだったのなら、まずピン留めしてテストしろ。その指標は今や0.81になっており、それに勝ったモデルは今も動いていて、しかも削除ではなく非推奨になったにすぎない。

命名は気にしないでください。Grok Voice Think Fast 2.0、Grok Voice 2.0、および API ID grok-voice-2.0 はすべて同じ世代を指しており、もしそれらの名前のうち1つしか掲載していないリーダーボードを読んでいたのなら、あなた自身の設定ファイルが使っていないラベルで正しい数値を見ていたことになります。

このような比較は、失敗モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェント障害は、OrcaRouter AIインシデントアーカイブ に集められており、各エントリーには独自の情報源、重大度、信頼度グレード、異議ありフラグが付されています。