Grok Voiceが首位。声で用事を進めるAI

Points

おさえるところ

• 公式発表の一文は「Grok Voice 3.0 ranks #1 on the Speech-to-Speech Index, with a score of 86.9.」。音声を受け取って音声で返すAIの総合指数で、86.9のスコアを記録し、1位になったという意味（筆者の訳）。評価元のArtificial Analysisでも、現行の比較表に総合指数86.9、話し始めまで0.81秒という値が掲載されている
• 並んだ数字は、同じことを測っていない。98.5％、94.8％、97.0％を足したり、単純に平均したりしても、総合指数86.9にはならない。音声推論98.5％は、音声で出された問題を考えて答えるテストの値で、声が聞き取れた割合や、日常の質問すべてへの正答率とは意味が違う
• タスク成功率94.8％は、Speech Agent Arenaの対象会話で、最後に必要な道具の操作を正しく行えた割合。実際のコールセンターに来た問い合わせの94.8％を解決した、という数字ではない。会話の動き97.0％は、沈黙、話す順番、割り込み、相づちへの対応を扱う評価で、97％の人が人間だと思った、という意味でもない
• 音声エージェントとは、会話をしながら仕事を進めるAI。ただし、開発者が予約システムなどを接続し、どんな操作をしてよいか、どんな規則に従うかを用意する必要がある。接続されていなければ、相談の受け答えはできても、予約の確定まではできない。許可されていない操作は、人へ引き継ぐ設計にする
• 音声推論のBig Bench Audioは、評価元の説明では、論理、移動、数え上げ、真偽の4分野に250問ずつ、合計1,000問。範囲の決まった問題集での結果なので、日常の会話すべてに数字を広げない。「日本語の店名を98.5％正しく聞き取る」とも言えない
• 旧版と新版では、総合指数が81.3から86.9へ上がった。模擬の顧客対応を測るτ-Voiceは、56.5％から71.6％へ上がり、15.1ポイントの差。一方、話し始めは旧版0.70秒、新版0.81秒で、平均では0.11秒長く待つ。「3.0になって、旧版よりさらに速くなった」という紹介は適切ではない
• 競合との比較でも、項目別の勝ち負けがある。τ-Voiceでは、GPT-Live-1のAstra・medium設定の74.5％が、Grokの71.6％を上回る。同じ比較対象の話し始めは1.34秒なので、Grokの0.81秒の方が短い測定。評価元には、モデルによって試行数が異なる注記もあり、小さな差がいつでも再現する、統計的に優位だ、とまでは判断しない
• 2026年10月15日（日本時間）に確認した公式の公表価格は、Voice Agent APIで1分0.08米ドル。1時間なら4.80米ドルで、旧版から価格を上げていない。料金文書のMarkdown版には、テキスト入力1回あたり0.004ドルの料金も掲載されている。月額の使い放題プランではなく、GrokやXの有料契約を持っていれば、このAPI料金も含まれる、とは読み替えない。APIは18歳以上を対象とする説明
• 実際の利用例として、公式はTeslaの車内とStarlinkの電話窓口を挙げている。Teslaでは日々数百万の会話、Starlinkでは1日2万件の電話を扱うと説明し、Starlinkの約70％を人の介入なしで解決するという数字も、会社が公表した運用実績。外部評価の94.8％とは、対象も測定も違う。この実績から、日本の全Tesla車両で同じ機能が使えるとは言えない
• APIの公式文書は、明示的な許可なしに入出力を学習へ使わないと説明している。通常は監査目的で30日保存する説明があり、企業向けFAQには個別合意や法的な例外も書かれている。学習に使わないことと、保存しないことは別。筆者はこのモデルで通話や予約を試していない。公式発表・評価ページ・技術文書を確認して書いている