xAIは2024年11月14日、音声対話向けに設計された「Grok Voice 3.0」AIモデルを発表し、「Grok Voice API」を通じて開発者への提供を開始した。料金は1分あたり0.08ドル（1時間あたり4.80ドル）に設定され、従来版と同水準を維持している。Grok Voice 3.0は、音声入力に音声出力で応答する「Speech-to-Speech」アーキテクチャで動作し、1秒未満の遅延で人間に近い自然な会話を実現する。この技術は、カスタマーサポートやセールスなどの分野で人間に代わる音声AIエージェント向けに設計されている。
最大の特徴は、会話の間合い、話者追跡、会話中の割り込みを管理する能力だ。ユーザーが発話中でもAIが発話していれば会話を継続できる。環境雑音やアクセントにも耐性があり、25言語以上をサポートする。
Grok Voice APIは音声対話だけでなく、外部サービスとの連携も提供する。ユーザーとの会話に基づき、情報検索、カレンダー確認、予約作成などの処理を実行可能。複数のツールを用いて複雑な指示も処理でき、単なる質疑応答にとどまらず、実際の業務を完結するAIエージェントを構築できる。同モデルはテスラ車両の車載AIシステムにも統合されており、