Teslaの車内でメール返信もコーヒー注文も　音声モデル「Grok Voice 3.0」が提供開始

　SpaceXAIは10月14日（米国時間）、音声対話モデル「Grok Voice 3.0」をVoice Agent APIで提供開始したと発表した。

　同社によると、「Grok Voice 3.0」は音声から音声へ直接応答するスピーチ・トゥ・スピーチ型のモデルで、応答遅延は1秒未満だという。独立系の評価サイトArtificial Analysisによる「Speech-to-Speech Index」で86.9のスコアを記録し、首位になったと紹介している。あわせて、間の取り方や話者交代、割り込みへの対応を測る「Full Duplex Bench」では97%、サポート通話を想定した「τ-Voice」では71.6%を記録したとしている。

　エンタープライズ向け音声エージェントのベンチマークであるServiceNowの「EVA-Bench」では、正確性スコアで74%を記録したと説明。Artificial Analysisの「Big Bench Audio」におけるタスク完了あたりのコスト比較でも、競合とされるGPT-Live-1（Astra, Medium）およびGPT-Realtime-2.1を下回ったとしている。

　同社の説明によれば、「Grok Voice 3.0」はすでにTesla車両内で稼働しており、ドライバーはハンズフリーでカレンダー確認やメール返信といった操作のほか、Grok Botを介したコーヒーの注文やディナーの予約などに利用できるという。また、Starlinkのコールセンターでは複数言語で1日あたり約2万件の問い合わせに対応しており、同社によるとおよそ70%が人手を介さずに解決し、販売電話の4件に1件は通話終了前に購入へつながっているとのこと。顧客確認、ハードウェアのトラブルシューティング、クレジット発行、交換機器の発送までを単一のエージェントで処理するという。

　料金は0.08ドル／分（4.80ドル／時）で、前版の「Grok Voice 2.0」と同額。grok-voice-latestを利用しているエージェントは自動的に新モデルへ切り替わっており、利用者側での変更は不要としている。