IT之家 10 月 15 日付の報道によると、SpaceXAI は本日 Grok Voice 3.0 を発表し、公式はこれを世界で最も知能レベルの高い音声間音声モデルと位置づけている。同モデルはカスタマーサポート通話処理タスクで新記録を打ち立て、業界をリードする 1 秒未満のレイテンシを備え、運用コストも他の最先端モデルより低い。Grok Voice はテスラと SpaceX で毎日数百万件の会話を支えており、現在はアプリケーションプログラミングインターフェースを通じて提供開始され、価格は前世代製品と同一に設定されている。
Artificial Analysis の独立テストでは、Grok Voice 3.0 が音声間音声総合ランキングで第 1 位となり、スコアは 86.9。このランキングは音声推論能力、τ-Voice 指標、およびブラインドテスト通話比較における好み度とタスク完了率を総合的に評価するものだ。Grok Voice 3.0 は全二重ベンチマークテストで 97% のスコアを獲得した。この指標は、モデルがポーズ、話者交代、割り込みをどれだけ自然に処理できるかを測るものである。
τ-Voice は、カスタマーサポート通話のシナリオにおいて、エージェントがさまざまなアクセント、背景ノイズ、および途中での割り込みに対応する能力を評価するためのものだ。Grok Voice 3.0 のスコアは 71.6%で、性能は GPT-Live-1（Astra）に匹敵するが、レイテンシは 40%低減されており、エージェントの知能レベルと応答速度の間に新たな最適なバランス点を切り開いた。
公式によると、その運用コストも同レベルのモデルより低いという。Artificial Analysis は大規模オーディオベンチマークにおいて、各モデルがタスクを完了する際の費用を集計しており、Grok Voice 3.0 のコストは GPT-Live-1（Astra、ミディアム版）および GPT-Realtime-2.1 より低い。
ServiceNow が企業向け音声エージェント向けに実施した EVA ベンチマークテストでは、Grok Voice 3.0 が 74%の最高精度スコアを獲得し、総合精度と顧客体験の 2 つの指標を組み合わせたスコアリングにおいて最良の成績を収めた。
公式によると、Grok Voice 3.0 はテスラ車両内で毎日数百万件の会話を処理している。ドライバーは Connectors を通じてスケジュール確認やメール返信といった簡単な指示を完了できるほか、Grok Bot を利用してコーヒーの注文やディナーの予約などの複雑なタスクを、ハンズフリーのまま完了できる。Grok Voice 3.0 は Grok Bot の音声モードも支えている。
スターリンクのカスタマーサポートセンターは Grok Voice を活用し、毎日複数言語で 2 万件の顧客からの電話に対応している。約 70%の通話は人的介入なしに解決でき、4 分の 1 の販売通話は顧客が電話を切る前に注文を成立させている。Grok Voice 3.0 を基盤に構築された単一のエージェントだけで、顧客の本人確認、ハードウェアのトラブルシューティング、払い戻しの発行、およびデバイスの再送などの作業を完了できる。
Grok Voice 3.0 は現在、音声エージェント用アプリケーションプログラミングインターフェースで提供されており、価格は毎分 0.08 米ドル（IT之家注：現在のレートで約 0.54 人民元）（毎時 4.8 米ドル（現在のレートで約 32.2 人民元））で、Grok Voice 2.0 と同一の価格設定である。grok-voice-latest バージョンを使用しているエージェントは自動アップグレードが完了しており、いかなる変更も不要だ。