Grok Voice 3.0の料金は2.0と同額｜月額試算3ケース

単価表を見ても「では自社だと月いくらになるのか」は出てきません。音声AIの請求額は、分単価よりも「どのイベントが課金されるか」と「沈黙を課金されるか」で大きく変わります。この記事では xAI の公式料金表を出発点に、電話一次受け・24時間コールセンター・短時間アウトバウンドの3ケースで月額を計算し、OpenAI の gpt-live-1 とどちらが安くなるかの分岐点まで式で示します。

結論：音声1分0.08ドルで2.0から据え置き、1日30件×5分なら月約37,000円

Grok Voice 3.0（モデルID: grok-voice-3.0）の音声料金は1分あたり0.08ドル（1時間4.80ドル）で、前世代の grok-voice-2.0 と完全に同額です。xAI は公式のモデルドキュメントで「at the same price as its predecessor（前世代と同じ価格で）」と明記しており、世代が上がったぶんの値上げはありません。

これに加わるのがテキスト入力1メッセージあたり0.004ドルだけです。推論もモデル自身が行う single-model の speech-to-speech なので、バックエンドの推論モデル利用料が別課金で乗ってきません。構造が単層なので、試算式も「音声分数 × 0.08 ＋ メッセージ数 × 0.004」の2項で閉じます。

この式で、1日30件・平均5分・月20営業日の電話一次受けを計算すると月244.80ドル（1ドル150円換算で約37,000円）、1通話あたり約61円です。以下、料金表・課金対象・3ケースの試算・他社との分岐点を順に見ていきます。

Grok Voice 3.0 の公式料金表

xAI の公式料金ページに掲載されている音声関連モデルの単価は次のとおりです（2026年10月14日時点）。円換算はすべて1ドル150円で計算しています。為替が動けば円の金額も動くので、実際の見積りでは当日のレートに置き換えてください。

表で押さえておきたいのは2点です。ひとつは3.0 と 2.0 の音声単価が同じなので、料金を理由に旧モデルへ留まる意味がないこと。もうひとつはgrok-voice-2.0 が非推奨になっていることです。終了日（EOL）は公式に発表されていないため、いつ止まるかは分かりません。だからこそ本番で使うモデルIDは明示的に固定しておく必要があり、その具体的な手順はモデルIDを latest ではなくバージョン固定で書くときの考え方にまとめています。世代間でベンチマークがどう変わったかはGrok Voice 3.0 と 2.0 のベンチマーク差分が比較の起点になります。

何が課金対象で、何が課金されないのか

試算がずれる一番の原因は、分単価の読み違えではなく「イベント課金の対象を取り違えること」です。課金は音声メーターとテキスト入力メーターの2系統に分かれています。

• 課金される：conversation.item.create — クライアントが送る会話アイテムの作成イベント1件ごとに 0.004ドル。システムプロンプトの投入や、途中でテキストを差し込む操作がここに入ります。
• 課金されない：function_call_output — サーバー側が要求したツール実行の結果を返すイベント。在庫照会や予約APIの戻り値を何度返しても、このイベント自体には課金されません。
• 課金されない：response.create — 「次のターンの応答を作れ」という指示イベント。これ自体は無料で、生成された音声は音声メーター側で計上されます。
• 音声メーターで課金：content が input_audio / audio のアイテム — 音声を含むものは conversation.item.create で送っても、テキスト1メッセージ扱いではなく音声の分数として課金されます。

実務上の意味は明確です。ツールを多用してもイベント課金は増えないので、外部システム連携を厚くすることのコスト不安はほぼありません。逆に毎ターン文脈をテキストで注入する設計だと、conversation.item.create が通話あたり数十件に膨らみます。1件0.6円なので総額を壊すほどではありませんが、試算では件数の仮定を明示しておくべき項目です。

本記事の試算では1通話あたり conversation.item.create を2件（システムプロンプト投入＋1回の文脈注入）と仮定しています。これは公式に規定された数値ではなく、あくまで計算のための仮定です。自社の実装でターンごとにテキストを送るなら、件数を実装に合わせて置き換えてください。

server_vad か push-to-talk かで請求額が変わる

料金設計で最大のレバーは、モデル選択ではなくターン検出方式です。xAI の公式ドキュメントは、課金の計測範囲が方式によって違うと明示しています。

• server_vad（既定・自動ターン検出）：セッションが開いている時間ぜんぶが課金対象。相手が黙っている間、保留で待たせている間、システムを照会している間も、分数として計上されます。
• push-to-talk：送受信した音声のぶんだけ課金。無音の待ち時間はメーターが回りません。

電話応対の現場で、沈黙は珍しい状態ではありません。相手が書類を探している、復唱を聞いている、こちらがバックエンドを叩いて回答を待っている。server_vad のまま運用すれば、こうした時間もそのまま請求書に乗ります。

とはいえ、電話の一次受けで push-to-talk は現実的ではありません。発信者にボタンを押させる前提が成り立たないからです。電話応対は server_vad を前提に、沈黙も含めた「セッション時間」で試算するのが正しい見積り方です。社内向けの操作アシスタントやアプリ内のマイクボタンなら push-to-talk が選べるので、同じ通話内容でも請求額が下がります。

そのため見積りでは、通話ログから「平均通話時間」ではなく「平均接続時間（応答してから切断するまで）」を拾ってください。server_vad ではこちらが課金分数の実体です。

試算式とパラメータの決め方

Grok Voice 3.0 の月額は、次の2項で計算できます。

• 音声費 ＝ 月間通話分数 × 0.08ドル
• テキスト入力費 ＝ 月間通話数 × 1通話あたりの conversation.item.create 件数 × 0.004ドル
• 月額 ＝ 音声費 ＋ テキスト入力費

必要なパラメータは1日の通話件数・平均接続時間（分）・月の稼働日数の3つだけです。推論の別課金が無い単層構造なので、「バックエンドのトークン数」を見積もる工程が入らず、見積りの精度が実装の中身に左右されにくくなります。

月額試算3ケース

ケース1：小規模の電話一次受け（1日30件 × 平均5分 × 月20営業日）

士業事務所・クリニック・工務店などで多い規模です。日中の電話を一次で受け、用件を聞いて折り返しの予約を取るところまでをAIに任せる想定です。

月約37,000円、1通話61円。この規模で注目すべきはテキスト入力費が総額の2%にすぎないことです。イベント課金の設計を多少雑にやっても金額は動きません。ここで効くのは平均5分という接続時間そのもので、シナリオを詰めて4分に縮められれば音声費は48ドル（7,200円）減ります。

ケース2：24時間受付のコールセンター（1日1,000件 × 平均4分 × 月30日）

通販・インフラ・予約系で、現在オペレーターを複数名張り付けている規模です。

月約148万円です。ここで効いてくるのが平均通話時間の短縮で、1分縮めるだけで 1,000件 × 1分 × 30日 × 0.08ドル ＝ 2,400ドル、円で月36万円が動きます。総額の24%です。この規模では、モデルの値下げを待つよりシナリオを削って通話を1分短くするほうが効果が大きい。本人確認の聞き方、復唱の回数、メニュー階層の深さを見直す作業が、そのまま原価改善になります。

ただしこの規模では、金額より先に当たる壁があります。それは後述の同時セッション上限です。

ケース3：短時間・大量のアウトバウンド（1日500件 × 平均1.5分 × 月20営業日）

予約のリマインド、配送前の在宅確認、アンケートの一次架電など、用件が1つに絞られた発信です。

1通話19円。3ケースの単価は61円・49円・19円で、接続時間にほぼ比例します。逆に言えば「件数が増えても1件あたりは安くならない」ので、件数を増やす計画は金額もそのまま線形に増える前提で予算を組んでください。

gpt-live-1 との分岐点はどこか

OpenAI の gpt-live-1 は音声セッションが1分0.05ドルで、分単価だけ見れば Grok Voice 3.0 の 0.08ドルより安いです。倍率は 0.08 ÷ 0.05 ＝ 1.6倍。しかし gpt-live-1 は推論とツール呼び出しを別のモデルへ委譲する二段構造で、バックエンドのモデル利用料とツール利用料が別課金になります。総額では逆転しうるわけです。

1通話 M 分あたりのコストを式にすると、次のようになります。

• Grok Voice 3.0 ＝ 0.08M（推論込み・別課金なし）
• gpt-live-1 ＝ 0.05M ＋ B（B ＝ 1通話あたりのバックエンド推論・ツール費）

両者が等しくなるのは B ＝ 0.03M のときです。つまりバックエンドの推論費が「1分あたり0.03ドル相当」を超えると Grok Voice 3.0 のほうが安くなります。通話時間ごとの分岐点は次のとおりです。

検算しておくと、M＝5分のケースは Grok が 5 × 0.08 ＝ 0.40ドル、gpt-live-1 が 5 × 0.05 ＋ 0.15 ＝ 0.40ドルで一致します。

ここから読める傾向はひとつです。通話が長いほど Grok Voice 3.0 の単層構造が有利になり、短い通話が大量なら分単価の安い二段構造が有利になります。長い通話はバックエンドの推論回数も増えるので B が膨らみやすく、「推論の別課金」が総額を押し上げます。逆に1.5分で用件が1つしかない通話なら B は小さく収まり、1分0.03ドルの差がそのまま総額の差として残ります。

gpt-live-1 側を二段構造のまま具体的に積み上げた月額は音声AIエージェントの月額費用をモデル別に試算した記事に置いてあります。この記事の分岐点表と対で読むと、自社の B がどのあたりに来るかの当たりがつきます。gpt-live-1 そのものの機能範囲はGPT の音声モデルで何ができるかを整理した記事が参考になります。

なお xAI は、Artificial Analysis の Big Bench Audio を実行したときの1タスクあたりコストが gpt-live-1（Astra, Medium）と GPT-Realtime-2.1 のどちらよりも安いと公表しています。これは特定ベンチマークでの実測値なので自社の通話にそのまま当てはまるわけではありませんが、上の分岐点の議論と整合する方向の結果です。

API費用以外に必ず乗るもの

ここまでの金額は xAI に払う分だけです。実際に電話応対を動かすには次の費用が乗るので、API費用だけの数字を「月額」と呼ばないほうが安全です。

• 電話番号とSIP／クラウドPBXの月額＋通話料：番号維持費、チャネル料、発着信の通話料。アウトバウンドが多い構成では、ここが音声AI費用を上回ることも珍しくありません。
• 録音と保存：通話録音のストレージと、保存期間に応じた費用。業種によっては保存義務が絡みます。
• 切断・再接続ぶんの課金：回線が切れて掛け直しになった通話も、接続していた分数は課金されます。試算には歩留まりを織り込んでください。
• 人へのエスカレーション分の人件費：AIで完結しない通話は人に渡ります。一次受けの完結率が7割なら、残り3割の人件費は残ります。
• 初期構築とシナリオ調整：実務では、使える精度に持っていくまで1〜2か月の調整期間を見ます。言い回しの修正、聞き取れなかったケースの潰し込み、業務用語の追加がここに入ります。
• 監視とログ基盤：どの通話で何が起きたかを後から追えないと、改善も事故対応もできません。

Mihata の推奨は、導入判断を「AIの月額」ではなく「AI＋残る人件費」の合計で現行コストと比べることです。ケース1の月37,000円は一見破格ですが、完結率が5割なら半分の通話は人に残るので、現行の電話対応工数が半分になるだけです。それでも十分に見合う話ですが、「人件費がゼロになる」前提で稟議を書くと、運用開始後に数字が合わなくなります。内製と外部サービスのどちらで組むかの判断軸はAI電話自動応答の内製と外部サービスの分かれ目に整理しました。

私たちはこうした音声AIや業務AIの導入支援も行っております。記事の途中で恐縮ですが、試算の置き方や「どこまでAIに任せるか」の線引きでお困りのことがあれば、よろしければ合わせてご覧いただけたら嬉しいです。

同時セッション10本・1セッション120分の上限から逆算する

Grok Voice 3.0 のレート制限はチームあたり同時セッション10本、1セッション最長120分です（リージョンは us-east-1）。金額の前に、まずここで入るかどうかを確認してください。

必要な同時セッション数は次の式で出ます。

• 必要セッション数 ＝ ピーク時の1時間あたり通話件数 × 平均通話分数 ÷ 60

ケース2（1日1,000件・平均4分）で、ピークが1時間150件だとすると、150 × 4 ÷ 60 ＝ 10本。既定上限ぴったりで、1件のばらつきでも溢れる綱渡りの状態です。実務では安全係数1.5〜2を掛けて15〜20本を確保するので、xAI コンソールからの上限引き上げが前提になります。発注前に上限緩和の可否とリードタイムを確認しておかないと、構築が終わってから詰まります。

ケース1（1日30件・平均5分）は、8時間に均すと1時間3.75件なので 3.75 × 5 ÷ 60 ＝ 0.31本。ケース3（1日500件・平均1.5分）も 62.5 × 1.5 ÷ 60 ＝ 1.56本で、どちらも余裕があります。ただしアウトバウンドは発信を一斉に走らせると瞬間的に集中するので、発信レートを絞る制御は入れておくべきです。

1セッション120分の上限は、通常の電話応対ならまず当たりません。問題になるのはセッションを開いたまま待機させる常駐型の設計で、これはserver_vad だと沈黙も課金されるため、上限の前にコストの問題として止まります。

まとめ：まず自社の月間通話分数を数えるところから

Grok Voice 3.0 の料金は音声1分0.08ドルで2.0から据え置き、テキスト入力が1メッセージ0.004ドル。推論の別課金が無い単層構造なので、月額は「通話分数 × 0.08 ＋ メッセージ数 × 0.004」の2項で出ます。1日30件×5分の一次受けなら月約37,000円、1通話61円です。

見積りを作るときの順番は、料金表を読むことではありません。現行の通話ログから「月間の接続分数」と「通話件数」を数えるところからです。この2つが出れば、上の式に入れるだけで金額が確定します。平均通話時間が1分変わるだけでケース2では月36万円動くので、ここの精度が試算の精度をそのまま決めます。

そのうえで、gpt-live-1 との比較は B ＝ 0.03M の分岐点で判断してください。長い通話が中心なら単層の Grok Voice 3.0、短い通話が大量なら二段構造も選択肢に残ります。モデルの選び方・日本語対応・会話データの扱いといった料金以外の論点はGrok Voice を業務で使うときの総論記事に、テキスト側の料金試算はGrok 4.7 の API 料金試算にまとめています。

自社の通話量を入れた具体的な試算や、どこまでをAIに任せるかの設計でご相談があれば、お気軽にお問い合わせください。