grok-voice-3.0Grok Voice 3.0 は、xAI が 2026 年 10 月 14 日に公開した音声エージェント向けの speech-to-speech モデルです。音声認識・言語モデル・音声合成を別々につなぐのではなく、1 つのモデルが音声を受け取り、音声で返します。xAI の発表は Artificial Analysis(2026 年 10 月 13 日)を引用し、Speech-to-Speech Index で 86.9 点の 1 位としています。Grok Voice 2.0 との比較では、第三者の報道によるとインデックスは 81.3 から 86.9、サポート業務ベンチマーク tau-Voice は 56.5% から 71.6%、全二重のターンテイキングは 95.1% から 97.0% に向上しました。一方、最初の音声が返るまでの時間は 0.70 秒から 0.81 秒になっています。apimodels.app では、API キーを使って wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 に WebSocket で接続します。ブラウザから使う場合は、サーバー側で短時間だけ有効なトークンを発行するので、キーをブラウザに渡さずに接続できます。イベントは xAI の Voice Agent API そのままで、OpenAI Realtime のイベントモデルとほぼ互換です。音声の既定は 16 ビット PCM・24 kHz。内蔵ボイス 28 種はどれも対応する全言語を話せ、中国語を含む 20 以上の言語を自動判定します。ファンクションコールは追加料金なし。料金は接続中のセッション 1 分あたり $0.104 の秒単位課金(90 秒の通話で $0.156)で、送信したテキストメッセージ 1 件ごとに $0.0052 かかります。キー 1 つでこのモデルを含む 150 以上のモデルを使え、xAI の個別アカウントや海外のクレジットカードは不要。セッションごとに時間と料金が呼び出し履歴に残ります。
$0.104/min, billed per second · typed messages $0.0052 each · microphone required
Grok Voice 3.0
xAI は Artificial Analysis(2026-10-13)を引用し、86.9 点で 1 位と発表。Grok Voice 2.0 は 81.3
Grok Voice 2.0 比で、第三者の報道では tau-Voice が 56.5% から 71.6%、全二重のターンテイキングが 95.1% から 97.0% に。最初の音声までは 0.70 秒から 0.81 秒
サーバーは API キーで wss://api.apimodels.app/v1/realtime に接続。ブラウザはサーバーが発行する短時間トークンで接続し、キーは渡しません
内蔵ボイスはどれも対応する全言語を話せます。中国語にも対応し、言語は自動判定されます
session.update で関数ツールを宣言するだけ。web_search・x_search・file_search・mcp などのサーバー側ツールは現在提供していません
90 秒のセッションは $0.156、テキストメッセージは 1 件 $0.0052。最後の 1 分の未使用秒数は返金されます
Grok Voice 3.0 は xAI の音声合成 API です。Grok Voice 3.0 は、xAI が 2026 年 10 月 14 日に公開した音声エージェント向けの speech-to-speech モデルです。音声認識・言語モデル・音声合成を別々につなぐのではなく、1 つのモデルが音声を受け取り、音声で返します。xAI の発表は Artificial Analysis(2026 年 10 月 13 日)を引用し、Speech-to-Speech Index で 86.9 点の 1 位としています。Grok Voice 2.0 との比較では、第三者の報道によるとインデックスは 81.3 から 86.9、サポート業務ベンチマーク tau-Voice は 56.5% から 71.6%、全二重のターンテイキングは 95.1% から 97.0% に向上しました。一方、最初の音声が返るまでの時間は 0.70 秒から 0.81 秒になっています。apimodels.app では、API キーを使って wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 に WebSocket で接続します。ブラウザから使う場合は、サーバー側で短時間だけ有効なトークンを発行するので、キーをブラウザに渡さずに接続できます。イベントは xAI の Voice Agent API そのままで、OpenAI Realtime のイベントモデルとほぼ互換です。音声の既定は 16 ビット PCM・24 kHz。内蔵ボイス 28 種はどれも対応する全言語を話せ、中国語を含む 20 以上の言語を自動判定します。ファンクションコールは追加料金なし。料金は接続中のセッション 1 分あたり $0.104 の秒単位課金(90 秒の通話で $0.156)で、送信したテキストメッセージ 1 件ごとに $0.0052 かかります。キー 1 つでこのモデルを含む 150 以上のモデルを使え、xAI の個別アカウントや海外のクレジットカードは不要。セッションごとに時間と料金が呼び出し履歴に残ります。 APIMODELS のプラットフォーム経由なら、統一 API と明朗な従量課金でこのモデルを呼び出せます。 現在の料金: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052。
動画、アニメーション、広告向けにプロ品質のナレーションを、豊富な声質から選んで生成します。
複数話者の掛け合いにも対応し、ポッドキャストの音声を素早く仕上げます。
テキストを自然で流れのよい読み上げに変換し、オーディオブックとして出せます。
多言語の吹き替えと翻訳で、コンテンツを世界の視聴者に届けます。
Grok Voice 3.0 は APIMODELS 経由で per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052 で利用できます。課金は従量制で、生成した分だけの支払いです。
APIMODELS に登録して API キーを取得し、統一エンドポイントを呼ぶだけです。cURL / Python / Node.js のサンプルを含む詳しいドキュメントを用意しています。
APIMODELS は同じ Grok Voice 3.0 を集約プラットフォーム経由で提供します。統一された API インターフェースなので、プロバイダごとにアカウントを作る必要はありません。キー 1 本ですべてのモデルに届きます。
Grok Voice 3.0 は、xAI が 2026 年 10 月 14 日に公開したリアルタイム音声エージェント向けの speech-to-speech モデルです。音声をストリーミングで送ると、同じモデルが音声で答えます。xAI の発表は Artificial Analysis(2026 年 10 月 13 日)を引用し、Speech-to-Speech Index で 86.9 点の 1 位としています。第三者の報道による Grok Voice 2.0 との比較では、インデックスが 81.3 から 86.9、サポート業務ベンチマーク tau-Voice が 56.5% から 71.6%、全二重のターンテイキングが 95.1% から 97.0% に上がり、最初の音声が返るまでの時間は 0.70 秒から 0.81 秒になりました。apimodels.app でのモデル ID は grok-voice-3.0 です。
接続中のセッション 1 分あたり $0.104 で、秒単位の課金です。90 秒のセッションなら $0.156。conversation.item.create(input_text)で送るテキストメッセージは 1 件ごとに $0.0052 が加算され、ファンクションコールは追加料金なし。接続には少なくとも 1 分ぶんの残高($0.104)が必要で、各 1 分はその開始時に課金され、セッション終了時に未使用の秒数が返金されます。セッションの途中で残高が尽きると種類が insufficient_balance の error イベントが届き、セッションは終了します。モデルへの接続に失敗した場合は課金されません。このページのマイク体験も同じ料金です。
サーバーからは、ヘッダー Authorization: Bearer YOUR_API_KEY を付けて wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 を開きます。ブラウザは WebSocket にヘッダーを付けられないため、まずサーバーが同じヘッダーで POST https://api.apimodels.app/v1/realtime/client_secrets を呼び(任意のボディ {"expires_after":{"seconds":60}}、10〜600 秒、既定 60)、返ってきた {"value", "expires_at"} の value をページに渡します。ページは new WebSocket(url, ["xai-client-secret." + value]) で接続します。API キーは絶対にブラウザに置かないでください。このエンドポイントは api.apimodels.app にのみあり、apimodels.app/api/v1 の下にはありません(そこでは WebSocket を中継しないため)。
既定では送受信とも 16 ビット PCM、24 kHz、モノラル、リトルエンディアンで、base64 にして JSON イベントに入れます。audio.input.format と audio.output.format で audio/pcmu、audio/pcma、audio/opus も指定でき、audio.output.speed は 0.7〜1.5 です。内蔵ボイスは 28 種で、session.update の voice で選びます。女性: ara、aurora、carina、celeste、eve(既定)、iris、liora、luna、ursa。男性: altair、atlas、castor、cosmo、helios、helix、kepler、leo、lumen、lux、naksh、orion、perseus、rex、rigel、sal、sirius、zagan、zenith。
はい。ネイティブのアクセントで 20 以上の言語をカバーし、言語を自動判定します。xAI の言語リストには中国語(簡体字)が含まれています。内蔵ボイスはどれも対応する全言語を話せるので、中国語用のボイスを別に選ぶ必要はありません。相手の言語が事前にわかっている場合は、audio.input.transcription.language_hint に zh-CN のような BCP-47 タグを設定してください。
ファンクションコールは使えて、追加料金もありません。session.update で関数ツールを宣言し、response.function_call_arguments.done を受け取ったら自分のコードで関数を実行し、結果を function_call_output アイテムとして conversation.item.create で返してから response.create を送ります。サーバー側ツール(web_search、x_search、file_search、mcp)は apimodels.app ではまだ提供しておらず、これらを含む session.update には error イベントが返ります。
1 セッションは最長 60 分、1 アカウントあたり同時に 5 セッションまで、クライアントからのイベントが 10 分間ないセッションは閉じられます。各セッションはコンソールの呼び出し履歴に 1 件の記録として時間と料金付きで残るので、通話ごとに利用量を照合できます。
イベントモデルはほぼ同じなので、OpenAI Realtime 向けのクライアントコードは少しの修正で移行できます。session.update、conversation.item.create、response.create、input_audio_buffer 系のイベントは同じように動き、音声は response.output_audio.delta で届きます。違いは、入力音声の書き起こしが増分の delta ではなく累積の conversation.item.input_audio_transcription.updated イベントで届くこと、そして一部の OpenAI のイベント(conversation.item.retrieve、出力音声バッファの started / stopped / cleared イベント、rate_limits.updated)が送られないことです。課金も異なり、こちらはセッション 1 分あたりの単一料金、OpenAI は音声の入力トークンと出力トークンを別々に課金します。
APIMODELS では Grok Voice 3.0 が 60 以上のモデルと同じ API キー・同じ残高の上に並んでいるので、選択は「相性」の問題であって「囲い込み」の問題ではありません。Speech-to-Speech、Realtime WebSocket、28 Voices、20+ Languages、Function Calling、Billed per Second に対応しており、他の音声合成モデルと価格・機能を並べて評価できます。乗り換えはモデル名の文字列を 1 つ書き換えるだけ。新しいアカウントも追加の実装も要りません。音声合成の選択肢と最新価格は apimodels.app/models で確認できます。
Grok Voice 3.0 は次に対応しています: Speech-to-Speech、Realtime WebSocket、28 Voices、20+ Languages、Function Calling、Billed per Second。パラメータの全一覧と呼び出し例は APIMODELS のドキュメントをご覧ください。
はい。APIMODELS は Grok Voice 3.0 を単一の統一 API とキー 1 本で提供します。プロバイダごとのアカウントも、各社の地域ごとのネットワーク経路を自分で面倒みる必要もありません。
Stripe（Visa、Mastercard などの国際カード）と Alipay に対応しています。支払い後、残高はすぐ反映されます。
How to get access, regional availability, and how this model compares with its alternatives.