xAIは10月14日、Grok Voice 3.0をVoice Agent APIで提供開始した。料金は1分0.08ドル、時間あたり4.80ドルで、Grok Voice 2.0と同じだ。grok-voice-latestを指しているエージェントは、利用者側の変更なしに新しいモデルへ切り替わっている。xAIは遅延を1秒未満だとしている。
Artificial Analysisが10月13日に出した比較では、Speech-to-Speech Indexが86.9だった。前版は81.3、GPT-Live-1（Astra、Medium）は83.2、Gemini 3.8 Live（拡張思考、High）は82.6だ。内訳は、Big Bench Audioの音声推論が98.5%、対話の好みを示すEloが1070、タスク成功率が94.8%、割り込みや話者交代を見るFull Duplex Benchが97.0%である。サポート通話の耐性を見るτ-Voiceは71.6%で、xAIはGPT-Live-1と同等の水準を、40%低い遅延で出したと説明している。同じ測定でのタスク単価は、GPT-Live-1（Astra、Medium）とGPT-Realtime-2.1を下回った。
ServiceNowの企業向け音声ベンチマークEVA-Benchでは精度74%で、精度と顧客体験を合わせた評価でも最上位だった。ServiceNowのNitin Aggarwal氏は、200を超える企業シナリオで精度と応答の自然さを両立したとコメントしている。実運用では、Tesla車内の1日数百万件の会話に加え、Starlinkのコールセンターが1日2万件を複数言語で受ける。約70%は人を介さず解決し、販売通話の4件に1件は切電前に購入まで進んだ、とxAIは述べている。
音声エージェントをAPIで組むチームは、エイリアスの自動切り替えで品質と遅延の前提が変わる点を先に見る。単価は据え置きなので、比較は指数とタスク完了までのコスト、自社の通話ログで行うことになる。