開発者向けGrok Voice
Grok Voice API：開発者向けの料金、機能、声
Grokの音声APIの1分あたりの料金、対応機能、公開以降の変化、そして音声クローンの仕組みを解説します。
確認日 2026年10月18日執筆 GrokMag編集部独立系 · SpaceXSI、xAI、Xとは提携していません
結論
Grokの音声対音声API（grok-voice-3.0）は1分あたり$0.08です。音声認識（Speech-to-text）はバッチで1時間あたり$0.10、ストリーミングで$0.20、音声合成（Text-to-speech）は100万文字あたり$15です。28種類の内蔵ボイス、関数呼び出し、WebとXの検索、カスタムボイスに対応しています。
料金（2026年10月）
| サービス | 料金 |
|---|---|
| 音声対音声（grok-voice-3.0） | 1分あたり$0.08（1時間あたり$4.80）、さらにテキスト入力イベントごとに$0.004 |
| 音声認識（バッチ） | 1時間あたり$0.10 |
| 音声認識（ストリーミング） | 1時間あたり$0.20 |
| 音声合成 | 100万文字あたり$15 |
2026年10月18日に確認した公式の開発者向け料金ページに基づきます。音声エージェントAPIは2025年12月に1分あたり$0.05で公開され、その後1分あたりの料金は$0.08に値上がりしました。
経緯
- 2025年12月17日：リアルタイム音声アプリ向けのGrok Voice Agent APIが公開。
- 2026年5月：Grok 4.3とともにカスタムボイス（音声クローン）が登場。約1分間の音声と、声による同意確認で作成。
- 2026年7月29日：Grok Voice Think Fast 2.0が発表。
- 2026年10月14日：Grok Voice 3.0がリリース。公開時点でArtificial Analysisの音声対音声インデックスで首位に。
APIの対応機能
- 自動ターン検出またはプッシュトゥトークに対応したリアルタイムWebSocketエンドポイント
- 関数呼び出しに加え、内蔵のWeb検索、X検索、リモートMCPツール
- 28種類の内蔵ボイス。最大120秒の参照クリップからカスタムボイスを作成可能
- 38以上の言語に対応した音声認識。笑い声、ささやき、間などのインラインタグや、電話回線向けの音声出力に対応した音声合成
- チームあたり最大10セッションの同時接続、1セッション最大120分
音声クローンは責任を持って使いましょう。使用の許可が明確に得られている声だけをクローンしてください。提供元は同意確認によって他人の声のクローンを防いでいるとしていますが、第三者によるテスト結果は公表されていません。
よくある質問
Grokの音声APIの料金は？
2026年10月時点で、音声対音声は1分あたり$0.08です。2025年12月の公開時は$0.05でした。
Grok APIで声をクローンできる？
はい。2026年5月から、短い参照録音と声による同意確認でクローンできます。
最新のGrok音声モデルは？
2026年10月14日にリリースされたGrok Voice 3.0です。