Grok Voice 3.0 とは？新機能・API 料金・使い方

Grok Voice 3.0 は、xAI が 2026 年 10 月 14 日に発表した音声対音声モデルです。話しかけると、聞いて、考えて、自分の声で答えます。WebSocket 1 本でつながり、音声はそのまま入ってそのまま出ます。

音声エージェントを作る人にとって大事なのは 3 つです。聞き取りと判断の精度、1 分あたりの料金、そしてコードの変更量です。Grok Voice 3.0 の答えは、Artificial Analysis の音声対音声指数で 1 位（xAI の発表で 86.9）、1 分 0.08 ドル、grok-voice-latest を使っていればコード変更なしです。

先に結論

• 同じ料金で、より良いモデルです。 Grok Voice 3.0 は Grok Voice 2.0 を置き換え、料金は 1 分 0.08 ドルのまま、エンドポイントもセッションイベントも同じです。
• xAI が比較した全項目で上回りました。 音声対音声指数は 86.9 対 81.3、間や割り込みの処理は 97.0% 対 95.1% です。
• WebSocket で接続します。 接続先は wss://api.x.ai/v1/realtime です。形式は OpenAI の Realtime と同じで、OpenAI の SDK は base URL を変えるだけで使えます。
• 20 以上の言語と 28 種類の音声に対応します。 会話の途中でウェブ検索や自前の関数も呼べます。

Grok Voice 3.0 とは

音声対音声モデルです。音声が入り、モデルが考え、音声が出ます。xAI は「リアルタイム音声エージェント向けの音声対音声モデル」と説明しています。Tesla の車内では 1 日数百万件の会話を処理し、Grok Bot の音声モードを動かし、Starlink のコールセンターでは 1 日 2 万件の電話に応答しています。

モデル ID は grok-voice-3.0 です。別名 grok-voice-latest は公開日からこれを指しているので、別名を使っているセッションは自動でアップグレードされました。Grok Voice 2.0 は非推奨になりました。

Grok Voice 2.0 から何が変わったか

xAI が比較した項目はすべて上がり、料金と API はそのままです。数字は xAI の発表によるもので、Artificial Analysis の 2026 年 10 月 13 日のテストを引用しています。

同じ表では、GPT-Live-1（Astra）が指数 83.2、Gemini 3.8 Live が 82.6 で、Grok Voice 3.0 は 5 行すべてで両方を上回っています。

Full Duplex Bench は、間の取り方、話し始めのタイミング、割り込みへの対応が自然かを見るテストです。電話越しに利用者が最も気づきやすい部分でもあります。xAI は 1 秒以内に答え始めるとも説明しています。

モデルは話す前に考えます。推論は初期設定でオンで、速さを優先したいセッションでは切れます。会話中にツールも呼べます。ファイル検索、ウェブ検索、X 検索、リモート MCP サーバー、そして自前の関数です。

Grok Voice API の料金

xAI の料金ページでは、Grok Voice 3.0 は音声 1 分 0.08 ドル、1 時間で 4.80 ドルです。同じページに同じモデルの「$0.004 / text input」という記載もありますが、単位は書かれていません。

片方向だけなら料金は別です。音声合成は 100 万文字あたり 15 ドル、音声認識は 1 時間あたり 0.10 ドル（ストリーミングは 1 時間 0.20 ドル）です。

接続方法

wss://api.x.ai/v1/realtime に WebSocket を開き、モデルをクエリパラメータで渡し、セッションを設定して、双方向に音声を流します。以下は xAI のドキュメントにある Python のクイックスタートをそのまま載せたものです。

import asyncio
import json
import os
import websockets

async def voice_agent():
    async with websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"}
    ) as ws:
        # セッションを設定する
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # テキストメッセージを送る
        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {"type": "message", "role": "user",
                     "content": [{"type": "input_text", "text": "Hello!"}]}
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        # 音声とテキストの応答を受け取る
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

3.0 に固定したいときは model=grok-voice-latest を model=grok-voice-3.0 に変えます。最初の呼び出しが通るかどうかは、次の設定で決まります。

使える音声と言語

ドキュメントには 28 種類の音声があり、初期値は eve です。どの音声も対応言語をすべて話せます。音声対音声 API は 20 以上の言語に対応しています。相手の言語を判別し、その言語で答え、会話の途中で言語を切り替えることもできます。

xAI の Custom Voices API では、最長 2 分の参考音声から声を複製できます。チームごとに 30 個まで無料で作れますが、提供はアメリカ国内のみで、イリノイ州は除きます。

xAI は、音声はリアルタイムで処理され、保存も学習利用もされないと説明しています。

OmniaKey で Grok Voice 3.0 を使えるか

今は使えません。OmniaKey は Grok Voice を提供していないので、xAI の API キーで呼び出します。Grok のテキストモデルや画像モデルも使うなら、OmniaKey という選択肢があります。Grok 4.7 と Grok Imagine 2.0 は Claude、GPT、Gemini と同じキーで動きます。Grok Imagine API ガイド では画像側を説明しています。

よくある質問

Grok Voice 3.0 は無料ですか？

API は有料です。xAI の料金ページには音声 1 分 0.08 ドルとあります。Grok と話したいだけなら、ウェブ、iOS、Android の Grok アプリにハンズフリーの音声モードがあります。

Grok Voice 2.0 からコードを変える必要はありますか？

ありません。エンドポイント、セッション設定、イベントは同じで、grok-voice-latest はすでに 3.0 を指しています。grok-voice-2.0 を直接指定しているコードだけ、モデル名を変えます。

OpenAI SDK で使えますか？

使えます。xAI の移行ガイドによると、OpenAI の Realtime API で作ったアプリは 3 か所を変えます。base URL（https://api.x.ai/v1）、API キー、モデル名です。

応答はどのくらい速いですか？

xAI は 1 秒以内に答え始めると説明しています。発表では、τ-Voice のスコア 71.6% が GPT-Live-1（Astra）と同等で、遅延は 40% 低いとしています。

出典

• xAI の発表：Grok Voice 3.0（2026 年 10 月 14 日）
• xAI ドキュメント：speech to speech と 音声の概要
• xAI の料金、レート制限、リリースノート
• xAI Custom Voices

内容は 2026 年 10 月 19 日に確認しました。