Grok Voice 3.0

概要

• 音声をテキストに変換する中間処理を挟まず、音声入力を直接音声出力へ変換するxAI製モデルです。
• Speech-to-Speech Indexで86.9のスコアを獲得し、GPT-Live-1やGemini 3.8 Liveを上回る1位を記録しています。
• Tesla車両やStarlinkのコールセンターで実運用され、多言語の問い合わせ対応や車内アシスタントを支えています。

主な特徴・性能

• レイテンシーは1秒未満で、割り込みや間のある自然な会話に対応し、顧客確認やトラブルシューティングも実行できます。
• Big Bench Audioで98.5%、タスク成功率94.8%、Full Duplex Benchで97.0%を達成しています。
• Voice Agent APIの料金は1分あたり0.08ドルで、grok-voice-latest利用中のエージェントは変更なしで自動移行されます。

こんな人におすすめ

• サポート窓口やコンタクトセンター向けに、自然な応答と高い自動解決率を備えた音声エージェントを開発したい人。
• 車載システムやスマートデバイスに、低遅延でハンズフリーの音声アシスタントを組み込みたい開発者。
• 複数の音声処理モデルを組み合わせず、API経由で音声入力から音声応答まで一貫して扱いたいチーム。