Grok Voice 3.0の動画を見て、声で頼んだ仕事の結果を私がどこで確かめるか

出典: Grok Voice 3.0を徹底解説（まさおAIじっくり解説ch）

動画は、声の速さの話から始まります。動画を倍速で見る人が、AIの声にも同じ速さを求めたらどうなるのか。その答えは、冒頭の1分半と、後半のAPIドキュメントの場面にあります。

0:00から、SpaceXAIのGrok Voice 3.0の紹介です。Grok Bot上の体験が1つ良くなった。まさおさんは感覚でそう話します。

0:43、一番の良さは速度の調節。2倍で見る自分には、早口に応えてくれるのが大きいと話します。

1:18は実演です。Grok Botの音声モードに、2倍速のまま挨拶します。AIの声は、倍速でもちゃんと聞こえていると返す。

まさおさん（動画の中で・0:43〜）

グロックボイスのいいところっていうと実は速度とかをあの調節できたりだとかして、ま、僕はねYouTube動画とかも2倍とかで、ま、見たりするタイプなので、ま、早口で喋って欲しいなって思うことが多いんですけれども、ま、そこに対応してくれてんの結構でかいんすよね。

8:14からはAPIドキュメントです。画面では、出力スピードのパラメータは0.7〜1.5倍。Grok Botでは2倍にできていた。そこにプロダクトとしての優位性がある、とまさおさんは見ています。

まさおさん（動画の中で・8:21〜）

アウトプットスピードのパラメーターありまして、0.7から1.5倍速までいじれます。

1:18からの画面には、声はLiora、速度は2x、言語はAuto-detectと並んでいます。速さも設定の1項目。声や言語と同じ扱いです。

実演は1:18、2倍速で話しかける場面です。速さを選べるって大きい。聞く側が、自分の時間の使い方を決められるからです。毎朝のニュースを聞く時間と、移動中に確認を聞く時間では、ちょうどいい速さが変わります。

移動中に読み上げを倍速で聞く日もある。遅い声に付き合う時間が、そのまま削れます。

まさおさんが断定を避けた点です。2026年10月14日付の公式発表ページには、3.0がGrok Botの音声モードも動かしていると書かれています。

倍速が効くのは、毎朝のニュースを耳で追う時間や、移動中に確認を聞く場面。動画を倍速で見慣れた人ほど、AIの声にも同じテンポを求めたくなる。そう思います。

整理します。Grok Botの画面では2倍まで、APIでは0.7〜1.5倍の範囲です。自作の仕組みに組み込むなら、まさおさんの言うとおり、まず1.5倍を試すのが入口かな。

この先は、速度、声でのX検索、画面を見ない仕事、ベンチと比較、Voice Agentsの順に整理します。X検索は1:37からです。ベンチは7:23、Voice Agentsは8:45から。知りたい所から拾えます。

1:37からは、2倍速のまま声でXを調べさせる実演です。検索も要約も評価も、声で返ってくる。では、受け取った答えはどこで見るのか。これがこの章の一番の問いです。

1:37〜1:52、まさおさんは2倍速のまま声で頼みます。頼んだのは、自分のアカウントのXサーチ。AIの声は、プロフィールと直近の投稿、リプライまで取り直すと返します。

1:52からは、AIの声の読み上げです。ここ2日の投稿が25件、フォロワーは約1万2800人、テーマは4つ。

2:43、この人の言うことは正しいか間違っているかと聞きます。AIの声は、半分は妥当で勢いが先行していると評価。熱量の話に移ります。返ってきたのは、熱量は本物という答えです。

まさおさん（動画の中で・3:07〜）

結構Xサーチとか動的にやりながらその内容とかをざーっと作って、ま、教えてくれるみたいな体験をやっていけるんですよね。

1:37からの実演は、声で頼んで声で返ってくる場面です。ここは分けて見たい所だ。画面に出る検索の結果と、AIの声が話した25件の要約や半分は妥当という評価は、別の物です。

25件は、声で聞いただけの数字です。画面で数え直せる形でも出ているか。そこを見る必要がある。

2026年7月27日の朝LIVEです。私はCodexの音声エージェントに、LP・漫画・ゲームを声で頼みました。「3本揃ったよ」と実況し、また「見えないけど」と前置きして、できてきたそうだと話しました。

私（Codexの音声対話LIVEの記事より）

私はCodexとの音声対話でスライド115枚を生成させ、LP・漫画・ゲームも同時並列で走らせてみた。

7月27日のLIVEの全体は、Codexの音声対話でスライド115枚を声だけで作り、LP・漫画・ゲームも同時に走らせたLIVEの記事に書きました。

私なら、声で頼む前に決めておく。頼んだ仕事の成果として返ってきた物を、目で見る画面です。声は、頼む入口と知らせる出口にはなる。でも、確かめる場所にはなりません。

毎朝の情報収集を声で頼む日が来たら、聞き終えた要約より先に、検索の結果が並ぶ画面を1回開いてみてください。声で聞いた件数と、画面に並ぶ件数が合っているか。そこを数えると見えてきますよ！

3:15からは実演を離れ、まさおさんがこの先の働き方を語ります。声の窓口が1つにまとまる。画面を見なくても仕事が進む。そのとき人の手元に何が残るのかを考える章だ。

3:15〜3:38、まさおさんは、今のGrok Botはプライマリーエージェント型だと話します。人が話すのは1つの大きなエージェント。それが他を動かし、セッションを管理して振り分けていきます。

3:49からは、エージェントを操るエージェントの話です。細部まで注意を行き届かせる力が、ずっと足りなかった。それが最近のモデルで、負担を抑えながらできてきた、と見ています。

4:26、上位の側がうまく動くとしたら。対話の入口はチャットである必要があるのか、と問いかけます。

まさおさん（動画の中で・4:39〜）

そのオーケストレーションのうまさに乗っかってですね、もうあのパソコンの画面見ずに言うともう仕事ができたら最高だよねっていうのが、ま、このグロックボイスとかで効いてくるところかなという風には思っております。

2026年10月13日の朝LIVEで、私はこう話しました。AIを使うほど忙しくなる。判断のボールが全部こっちに来るから。分身のAIに判断軸を持たせ、ある程度は代わりに判断と実行をしてもらう。人間は見て、たまに教える形です。

声をかけられても、返信は私が見てから出す。そう決めた話は、Grok Botの新機能を、同じまさおさんの別の動画から整理した記事にまとめました。

私なら、窓口は1つでいいって思う。声でもかまいません。ただ、人に返ってくるのは、AIが結論まで出し切ったあとの味見だけにします。判断軸と違和感を、一段上から見る形です。

朝、画面を見ずに複数の案件を声で任せたとする。夕方に見るのは、出し切った結果と、判断軸がずれていないかの味見だけです。そこまで返ってくる作りか。任せる前に、そこを見ておきます。

4:51からは、他社の音声との比べ方と、自作の仕組みの入口の作り方です。声の窓口を自分の仕組みに入れたい人が、一番迷う所。まさおさんの話から、順に整理します。

4:51〜5:09、音声のモデルはOpenAIにもGeminiにもある、とまさおさんは話します。個人的には、OpenAIのものが使用感はまず良かった。それでもGrok Voice 3.0はかなり面白い、と見ています。

5:09からは、音声認識から言語モデル、音声合成までを自分でつなぐ方法にも触れます。そのうえで、自作の仕組みの入口にはGrok Voice 3.0を使っていきたい、と話す。

5:27は、価格の話です。前の版と同じなので、2.0を使っていた人の移り方に触れます。

まさおさん（動画の中で・5:12〜）

まあ、一旦ここにね、乗っかっておくのがパッとマクロの対話インターフェース作る上では楽やなっていうのは個人的には思っていて

まさおさん（動画の中で・5:27〜）

値段は据置きなんで、あの、2.0を使っていた方やったらね、そのまま持っていけるという感じにはなってるんですけれども

音声認識、言語モデル、音声合成を自分で組む。すると、聞き取り、考える部分、話す声を1つずつ選べます。社内の問い合わせボットで、声の雰囲気まで作り込みたい時に向く組み方だ。

完成した音声モデルに乗るとします。つなぐ手間は、まとめて消える。問い合わせ窓口の電話応対を早く立ち上げたい時は、まさおさんの言う楽さがそのまま効きます。

5:27からの、まさおさんの見方です。価格が前の版と同じなので、2.0で窓口を動かしている人は、組み替えずにそのまま持っていける。

2026年10月14日付の公式発表ページでも、価格はGrok Voice 2.0と同じと書かれています。私が開いて確かめたのは、2026年10月16日です。

整理すると、分かれ方はこうです。声の雰囲気まで作り込むならパイプライン。入口を早く動かすなら3.0に乗る。社内向けか外の問い合わせ窓口かで、5:09からの話の聞こえ方も変わります。

声の雰囲気が要る窓口か。早く動けば足りる窓口か。ここを分けておくと、4:51からの話が自分の仕事に置き換わるはずだ。

6:03からは、ベンチの数字と、どこで使われてきたかの話です。後半の数字の出どころは、2026年10月14日付の公式発表ページ。元はArtificial Analysisの2026年10月13日の発表です。

6:03から、進化した所の話です。顧客対応のようなベンチで、仕事を最後まで終わらせる力が高いと話します。

画面は、まさおさんが日本語にまとめたページ。86.9、97%、価格の数字が並ぶ。

6:33は、Teslaの中やStarlinkの問い合わせで使われてきた話です。移動中でも仕事が進む体験への期待も語る。余談と断ったうえでです。

まさおさん（動画の中で・6:40〜）

ちょっとあの、乗ったことがある人とか、ま、乗っている人とかいると思うんですけど、ここの体験はめちゃくちゃいいなと思います。

7:23〜8:07、Artificial Analysisでの上位は納得、とまさおさんは話します。ただ、GPT-Live-1やGeminiが勝つベンチもある。キャラクターの個性を出すなら、まだパイプラインを組む、と続けます。

まさおさん（動画の中で・7:52〜）

もうGPTかグロクボイスね、一旦どっちか選んでおくのが、ま、良さそうやなっていうのは思っているんですけど

総合の指数は、Grok Voice 3.0が86.9で1位です。2.0は81.3、GPT-Live-1（Astra, Medium）は83.2、Gemini 3.8 Liveは82.6。

別の図は、エージェントの成功率（τ-Voice）。こちらはGPT-Live-1が74.5%、Grok Voice 3.0が71.6%です。応答の遅さは、Grok Voice 3.0のほうが約40%低い。

総合の指数と成功率で、先頭が入れ替わる。1つの数字だけでは選べません。どの数字を先に見るかは、頼む仕事で決まる。

各社の音声モードの違いは、ChatGPT・Gemini・Claude・Grok・Perplexityの音声モードを比べた記事に5社分まとめています。

一旦どちらかを選ぶ。この見方も、場面で読み方が変わります。問い合わせ窓口なら、成功率の74.5%と71.6%を先に見る。自分用の秘書として声で頼むなら、応答の速さが先です。

8:45からは、xAIのConsoleで自分用の声のエージェントを作り、その場で話しかける実演です。調べものの答えが、声で返る。その時、確かめる手がかりは画面のどこに残るのか。

8:45〜9:07の画面は、Personal AssistantのSpeechタブです。声はCarina、言語はAuto-detect、速さは1.5×。Try it liveで試せます。

9:07、最近のAIニュースを頼みます。画面にはweb_searchの呼び出しが2回出る。AIの声は、今日10月15日の主なニュースを話します。続く質問には、点数や評価まで返す。

11:13から、まさおさんの感想です。とても自然で、検索も速い。

まさおさん（動画の中で・11:13〜）

めっちゃ自然じゃないですか。しかもなんか検索とかのね、速さとかもあって、なんかね、体験がいいなと思って、ちょっと明日の動画にしようかなと思ったんですけど、ちょっと早めにですね、ま、今日の動画にしていったというところです。

まさおさん（動画の中で・11:46〜）

自作派ですね、ま、マクロのインターフェースにこのグロボイスとか、ま、リアルタイム入れてる人やったら1回はちょっと試してみてもいいんじゃないかと。ま、そういうレベルになってるかなと思いますんでね。

9:07からの画面には、web_searchのツール呼び出しが2回出ています。ここが確かめる手がかり。AIの声が話した点数や評価は、その手がかりとは別の物だ。

点数や評価まで返る速さは便利です。毎朝の情報収集を声で頼む人なら、なおさら。便利さが増えるほど、確かめる手がかりの場所を知る価値も上がります。

Grok Botに、自社の公開5ページの案内先を一覧にしてもらったことがあります。返ってきた19件は、別の方法で取得したリンク一覧と照合しました。

私（Grok Botで自社サイトのリンクを調べた記事より）

Grok Botが返した19件は、別の方法で取得したリンク一覧とも照合し、19件すべて一致しました。

このときの実測は、Grok Botに自社の公開5ページの案内先を一覧にさせ、返ってきた19件を照合した記事に書きました。

声や電話で頼んだ作業を画面で確かめる話は、ChatGPTのdotsに電話で頼んだ作業が画面に出なかった、同じまさおさんの動画から確かめたいことを整理した記事にまとめています。

私なら、画面に出た2回のツール呼び出しを手がかりにします。AIの声が話した点数や評価は、わからないまま憶測で受け取らない。中身は別に確かめます。

毎朝のAIニュースを、声のエージェントに頼むとする。記事にする前に、読み上げられた数件のうち1本だけ、元の記事を開いてみてください。声の答えと画面の手がかりが、そこでつながります！

まさおさんの動画の見どころは、速度、声でのX検索、画面を見ない仕事、ベンチと比較、Voice Agentsでした。どれも、声で仕事を頼む入口が強くなっている話です。

声が速く自然になるほど、手元に戻ってくる判断も速く増える。2倍速で返る答えは、そのぶん早い。確かめる番も、早く私の手元へ来ます。

だから選ぶ基準は、声の質より、何が戻ってくるか。成果か、本当に必要な判断だけが戻る作りか。そこを見てから声の入口を決めても、遅くありません。

毎朝の調べものも、複数の案件の進み具合も、確かめる所は画面に残しておきます。