SpaceXSI「Grok Voice 3.0」発表──Starlinkで1日2万件、AI顧客対応の導入判断

Grok Voice 3.0の発表内容──何が新しくなったのか

2026年10月14日（米国時間）、SpaceXSI（旧xAI。現在はSpaceX傘下）は音声対話モデル「Grok Voice 3.0」を発表した。公式発表は同モデルを「世界で最も賢い音声から音声への（speech-to-speech）モデル」と位置づけ、カスタマーサポートの通話解決で新記録を出したこと、応答の遅延が1秒未満であること、他の最先端モデルより安く動かせることの3点を打ち出している（出典：SpaceXSI公式発表「Introducing Grok Voice 3.0」）。

第三者評価機関Artificial Analysisの独立テスト（2026年10月13日時点）では、総合指標のSpeech-to-Speech Indexで86.9を記録し首位となった。比較対象はGPT-Live-1（Astra, Medium）の83.2、Gemini 3.8 Live（Extended Thinking, High）の82.6、前世代Grok Voice 2.0の81.3である。会話の間合い・ターン交代・割り込みへの対応を測るFull Duplex Benchは97.0%、音声での推論を測るBig Bench Audioは98.5%だった（出典：SpaceXSI公式発表、Artificial Analysis）。

API利用者にとって重要なのは提供条件だ。Grok Voice 3.0は発表当日からVoice Agent APIで利用でき、価格は前世代と同じ1分あたり0.08ドル（1時間4.80ドル）に据え置かれた。モデル名にgrok-voice-latestを指定しているエージェントは、変更作業なしで自動的に3.0へ切り替わっている（出典：SpaceXSI公式発表）。

関連記事VOICEVOX 使い方｜インストールから音声生成まで【2026】 ／ Grokとは？できること・料金・始め方をやさしく解説【2026年版】 ／ ディープフェイクとは？仕組み・悪用リスク・見分け方と対策を専門家監修で解説【2026年版】

Starlinkの実運用データ：1日2万件・約7割を無人で解決

今回の発表で最も具体的なのが、同じSpaceX傘下の衛星通信サービスStarlinkでの運用実績だ。公式発表によると、Starlinkのコールセンターは複数言語で1日2万件の顧客通話にGrok Voiceで応対している。そのうち約70%は人間のオペレーターを介さずに解決し、販売の通話では4件に1件が通話を切る前に購入まで至る。1つのエージェントが本人確認、機器のトラブル診断、利用料のクレジット付与、交換機器の発送までを担当するという（出典：SpaceXSI公式発表）。

2026年8月19日に公開された同社の導入事例ページでは、平日に約2万件、週末に約1万件の着信があり、販促期間はさらに増えること、英語の販売窓口での購入転換率は約24.5%（地域により異なり、全体では20%台半ば）で、週に数千件の注文につながっていることが説明されている（出典：SpaceXSI導入事例「How Starlink handles 20,000 calls a day on Grok Voice」）。なお8月下旬の一部報道では「1日1万5,000件以上」「販売転換率20%」という数字が使われていたが、これは同社の8月時点のSNS投稿に基づく数字で、最新の公式発表とは異なる（出典：Crypto Briefing、Webull）。

公式発表はさらに、Grok Voice 3.0がTesla車内で1日に数百万件の会話を処理していることにも触れている。運転者は予定の確認やメールへの返信を音声だけで行える（出典：SpaceXSI公式発表）。ここで押さえておきたいのは、これらの実績値はいずれもSpaceXSI自身が公表したもので、第三者による監査を経た数字ではないという点だ。

料金と応答速度から見る費用対効果

料金は通話時間に比例する。試算の目安として、月5,000件・平均8分の通話なら4万分で、API料金は月額3,200ドル（1ドル150円換算で約48万円）になる。ただしこれはAPIの利用料だけで、電話システム（CTI）との連携、応答品質の評価、通話の監査、オペレーターの再教育にかかる費用は別に見込む必要がある。なお、テキストで入力するメッセージは1件0.004ドルと報じられている（出典：TechRepublic）。

Artificial Analysisが同じ課題（Big Bench Audio）を解かせた際の1課題あたりの費用は、Grok Voice 3.0が0.025ドルで、GPT-Live-1（Astra, Medium）の0.030ドル、GPT-Realtime-2.1（High）の0.055ドルを下回った（出典：SpaceXSI公式発表）。

応答速度について、公式発表はGPT-Live-1（Astra）より約40%短い遅延で同等の精度を出したとしている。TechRepublicは最初の音声が返るまでの平均時間を、Grok Voice 3.0が0.81秒、GPT-Live-1（Astra, Medium）が1.34秒、前世代のGrok Voice 2.0が0.70秒と報じており、前世代よりわずかに遅くなった点には注意が要る（出典：TechRepublic）。

企業向けの評価では、ServiceNowが200以上の業務シナリオで音声エージェントを採点するEVA-Benchで、Grok Voice 3.0は精度74%と最高値を記録し、精度と顧客体験を合わせた評価でも最良だった（出典：SpaceXSI公式発表）。

日本企業が導入前に確かめるべきリスク

ベンチマークの数字が良くても、日本の企業がそのまま当てはめられない点がいくつかある。

日本語での性能は公表されていない。公開されている評価は英語中心とみられ、敬語の使い分けや相づち、言葉の間の取り方への対応は確認できない。訛りや背景の雑音、割り込みへの強さを測るτ-Voiceは71.6%で、公式は「GPT-Live-1と同等」としているが、数値はGPT-Live-1の74.5%をやや下回る（出典：SpaceXSI公式発表、Artificial Analysis）。感情的な苦情の電話で相手が言葉をかぶせてくる場面は、自社で試験しておく必要がある。

モデルの自動切り替え。grok-voice-latestを指定しているシステムは、すでに3.0で動いている（出典：SpaceXSI公式発表）。代表的な問い合わせで、ツールの呼び出し・オペレーターへの引き継ぎ・応答のタイミングが変わっていないかを確認したほうがよい。挙動の変化を避けたい場合は、確認が終わるまでバージョンを固定する選択肢もある。

音声データと個人情報。通話の音声は個人情報保護法上の個人情報に当たる場合がある。音声がどの国のサーバーで処理されるか、保存期間と削除の方針はどうなっているかを、契約前に確認する。国内でのデータ処理に対応しているかは、現時点の公開情報からは確認できない。

「約70%」は1社の実績。Starlinkの数字は、機器の診断や交換手配のように手順が決まった問い合わせが多い業態での実績で、しかも会社自身の発表である。業種や問い合わせの中身が違えば、無人で解決できる割合は大きく変わる。自社の問い合わせ記録を分析し、AIに任せられる種類を先に洗い出すことが投資判断の前提になる。

音声AIの基本やカスタマーサポートへの導入については、以下の記事も参考になる。

• Grokとは？できること・料金・使い方
• Grok APIの使い方と料金
• カスタマーサポートへのAI導入
• コールセンターAIの仕組みと活用
• 音声認識の仕組み

導入判断の4つのステップ

1. 問い合わせ記録を3種類に分ける。過去3〜6か月の記録を「AIだけで処理できる定型の問い合わせ」「AIが補助できる半定型の問い合わせ」「人が対応すべき複雑な案件」に分ける。定型と半定型の比率が高いほど、音声AIの費用対効果は出やすい。

2. 日本語で小さく試す。実際の問い合わせシナリオ20〜30件を使い、日本語での正確さ、話し方の自然さ、オペレーターへ引き継ぐ判断が適切かを評価する。雑音のある環境や割り込みの場面、敬語の適切さもシナリオに含める。

3. 既存の連携先を確認する。すでにGrok Voiceを使っている場合は、grok-voice-latestを参照していないかを確認し、参照していれば引き継ぎの挙動とツール呼び出しの記録を点検する。

4. オペレーターの役割を設計し直す。AIが処理する通話が増えると、人に残るのは複雑な案件・感情的な苦情・重要顧客の対応になる。評価の指標、研修の内容、必要な人数をAI導入を前提に見直し、AIが集めた会話履歴を引き継ぎで使える仕組みを最初から組み込む。

音声AIの性能競争は今後も続く見込みだ。導入で問われるのは最高点のモデルを選ぶことではなく、自社のサポート体制にどう組み込むかである。

主要音声モデルの性能比較（2026年10月時点）

モデル	Speech-to-Speech Index	Big Bench Audio	課題の成功率	Full Duplex Bench	τ-Voice
Grok Voice 3.0	86.9	98.5%	94.8%	97.0%	71.6%
GPT-Live-1（Astra, Medium）	83.2	90.1%	87.4%	94.9%	74.5%
Gemini 3.8 Live（Ext. Thinking, High）	82.6	97.7%	89.1%	91.9%	68.6%
Grok Voice 2.0	81.3	97.2%	94.6%	95.1%	56.5%

出典：SpaceXSI公式発表に掲載されたArtificial Analysisの評価（2026年10月13日時点）。人による聞き比べの評価（Speech Agent Arena Elo）はGrok Voice 3.0が1070、GPT-Live-1が1048、Grok Voice 2.0が1011、Gemini 3.8 Liveが990。

---

参考文献

• SpaceXSI「Introducing Grok Voice 3.0」（2026年10月14日） — x.ai/news/grok-voice-3
• SpaceXSI「How Starlink handles 20,000 calls a day on Grok Voice」（2026年8月19日） — x.ai/stories/starlink
• SpaceXSI「Models & Pricing」 — docs.x.ai/docs/models
• TechRepublic「SpaceXSI Launches Grok Voice 3.0 for AI Customer Support」（2026年10月） — techrepublic.com
• Crypto Briefing「Starlink uses Grok Voice for 15,000 daily support calls」（2026年8月） — cryptobriefing.com