xAI、音声モデル「Grok Voice 3.0」公開　応答1秒未満、Starlink顧客対応の7割を自動化

カスタマーサポートに電話をかけ、機械的な自動音声ガイダンスにたらい回しにされた経験は誰にでもあるはずです。

xAI が発表した「Grok Voice 3.0」は、そうした通話体験を根本から変えることを目指しています。同社は世界で最も知的な音声対音声モデルと位置づけており、公開と同時に強力な実運用データを提示しました。

ベンチマーク首位と 1 秒未満の応答性

第三者評価機関 Artificial Analysis の Speech-to-Speech インデックスにおいて、Grok Voice 3.0 は 86.9 ポイントを獲得し、首位に立ちました。競合の GPT-Live-1 Astra は 83.2、Gemini 3.8 Live は 82.6 でした。

詳細なスコアを見ると、音声推論を測る Big Bench Audio で 98.5%、人間のブラインド評価である Speech Agent Arena Elo で 1070、タスク成功率で 94.8% を記録しています。

音声会話で大きな障壁となるのが割り込みや沈黙の処理です。相づちや発話交代のスムーズさを評価する Full Duplex Bench では 97% を達成しました。

雑音やなまりへの耐性を測る τ-Voice では 71.6% と GPT-Live-1 並みながら、レイテンシを 40% 削減し、1 秒未満の応答速度を実現しています。

ServiceNow の企業向けベンチマーク EVA-Bench でも最高となる 74% の正解率を記録しました。コスト面でも GPT-Live-1 や GPT-Realtime-2.1 を下回っており、API 価格は前世代据え置きの 1 分あたり 0.08 ドルで提供されます。

テスラとスターリンクの実環境で稼働

今回の発表で特筆すべきなのは、すでに大規模な実稼働実績を持っている点です。

テスラ車内ではすでに毎日数百万件の対話処理を行っています。車載コネクタ経由でスケジュールの確認やメール返信ができるほか、Grok Bot を介してハンズフリーでコーヒーの注文やレストランの予約までこなします。

さらに過酷なのが Starlink のカスタマーサポート窓口です。多言語で寄せられる 1 日 2 万件の通話を Grok Voice が処理しています。

そのうち約 70% は人間のオペレーターを介さずに完了しており、営業通話では 4 件に 1 件が通話終了までに成約に至っています。単一のエージェントが顧客確認からトラブルシューティング、返金処理、交換機材の発送手続きまで実行しています。

なぜ重要か

Grok Voice 3.0 の真の強みは、スコアの高さよりも実際のビジネス現場で自動化を完結させている点にあります。

開発者や企業にとって、1 分あたり 0.08 ドルという価格で 7 割のサポート通話を自己完結できる性能は極めて実用的です。中小規模のサービスでも、多言語対応の 24 時間電話窓口を低コストで導入できる現実味が出てきました。

xAI のアプローチが巧妙なのは、テスラや Starlink という巨大な自社ハードウェア基盤をリアルな検証環境としてフル活用している点です。研究室内のテストだけでは得られない生きた会話データが、割り込み耐性や低遅延の改善に直結しています。

一方で懸念されるのは自律性の管理です。Starlink のように仕様が明確なサービスでは機材の無償交換や返金まで任せられますが、返品条件が複雑な一般小売業などで同レベルの権限をエージェントに与えた場合、予期せぬ誤認や損失を招くリスクがあり、実導入には慎重な権限設計が求められます。