xAIカスタムボイス：2分で音声クローン

xAI（エックスエーアイ）は2026年4月30日にカスタムボイスを公開し、Grok（グロック）APIプラットフォームに音声クローン機能を追加しました。ユーザーはxAIコンソールで約60秒の自然な発話を録音するだけで、2分以内に本番環境で使える音声モデルが生成されます。クローンされた音声はGrokのテキスト読み上げおよびVoice Agent APIで標準API料金で利用できます。xAIはさらに、内蔵ボイスカタログを28言語対応の80以上に拡充しました。

Voice Agentの料金が$3/時間という設定で、xAIはElevenLabs（イレブンラブズ）やOpenAIの価格を大幅に下回っています。機能面ではやや劣りますが、音声をプロダクトに組み込む開発者にとってコスト構造が根本的に変わります。

xAIの音声クローンはどのように機能するのか？

クローンプロセスはすべてxAIコンソール上で完結します。ユーザーは関連性のない複数の文章を声に出して読み上げ、システムがそれを録音します。2段階の認証パイプラインが残りの処理を担います。まず、話者が認証フレーズを読み上げ、Grokの音声テキスト変換エンジンがリアルタイムで文字起こしと照合を行い、本人の意思と存在を確認します。次に、認証クリップと完全な録音から話者エンベディングを計算し、両方が同一人物のものであることを確認します。

この設計により、既存の音声ファイルからクローンすることも、他人の音声をクローンすることもできません。認証が完了すると、システムは録音を処理し、xAIの内蔵ボイスと同じ場所で使える8文字の英数字voice_idを発行します。各チームは最大30のカスタムボイスを同時に作成でき、ワンクリックで削除可能です。

ボイスライブラリとは何か？

ボイスライブラリは、xAIコンソール内の新セクションで、利用可能なすべての音声を一か所にまとめています。カスタムボイスは5つの内蔵オプション（Eve、Ara、Rex、Sal、Leo）と並んで表示されます。今回のリリースで、xAIはプリビルトカタログを28言語対応の80以上の音声に拡充しました。任意の音声をさまざまなシナリオでプレビューしてから選択できます。

各内蔵ボイスには異なる個性があります。Eveはエネルギッシュ、Araは温かく会話的、Rexはプロフェッショナル、Salはスムーズ、Leoは権威的です。カスタムボイスは内蔵ボイスと同じTTS機能を備え、ささやき、笑い声、ため息、強調などのインラインスピーチタグに対応しています。出力はRESTとWebSocketストリーミングの両方で利用可能です。

xAI音声クローンの料金はいくらか？

カスタムボイスの使用に追加料金はかかりません。料金はxAI APIの標準料金に準じます：

Voice Agent APIはgrok-voice-think-fast-1.0で動作し、推論とリアルタイム音声を組み合わせています。ツール利用にも対応しており、ウェブ検索、X検索、ファイル検索、外部MCPサーバー接続が可能です。つまりエージェントは会話中に実際のアクションを実行でき、単に話すだけではありません。クライアントサイドのアプリケーション向けには、エフェメラルトークンによりメインAPIキーを公開せずにWebSocket接続を開くことができます。

カスタムボイス作成エンドポイント（POST /v1/custom-voices）へのプログラムアクセスは、現在Enterpriseプランのチームに限定されています。コンソールベースの音声作成ツールは、APIアクセスを持つすべてのユーザーが利用できます。

xAIの音声料金はElevenLabsと比較してどうか？

xAIとElevenLabsの料金差は大きいですが、提供内容は完全に同じではありません：

ElevenLabsは依然としてより大きな音声ライブラリを持ち、グローバルに利用可能で、ライセンス済み著名人音声向けのIconic Marketplaceを運営しています。xAIはVoice Agentの料金で優位に立ち、カスタムボイス作成には課金されません。ElevenLabsでは音声クローンの前に少なくともStarterサブスクリプション（$5/月）が必要です。

米国外のユーザーやより豊富なボイスカタログが必要な場合は、ElevenLabsがグローバルで利用可能で、3,000以上のボイスを提供しています。

どのような安全対策が講じられているのか？

xAIの2段階認証は、ほとんどの音声クローンプラットフォームが要求するものよりも厳格です。リアルタイムのフレーズ照合により、話者がクローンセッション中に物理的に存在していることを確認し、事前録音されたファイルの送信ではないことを検証します。エンベディング比較により、認証フレーズと完全な録音が実際に同一人物のものであることを確認します。

カスタムボイスは作成したチーム内でプライベートに保持されます。xAIによると、音声データはリアルタイムで処理され、保存やトレーニングへの使用は一切行われません。プラットフォームはSOC 2 Type II認証、HIPAA適格性、欧州データ向けのGDPRコンプライアンスを取得していますが、クローン機能自体は依然として米国限定です。

この動きが意味すること

音声AI開発者にとって

$3/時間のVoice Agentは、大量の音声処理を行う開発者のコスト構造を一変させます。ElevenLabsで$10-18/時間かかっていたカスタマーサポートボットやIVRシステムが、xAIのスタックではより現実的なコストになります。OpenAI Realtime APIとの互換性により、OpenAI向けに構築された既存の音声アプリもコードの大幅な書き換えなしに移行可能です。

音声クローン市場にとって

音声クローンは3つの層に分かれつつあります。ElevenLabsは最も多機能で、最大のライブラリとグローバルなリーチを持っています。この分野の全体像については最高のAI音声ジェネレーターのまとめ記事で取り上げています。OpenAIはChatGPTのTTSで中間に位置しています。xAIはどの競合よりも格安で、より厳格な認証を備えています。

米国限定の制約は大きな意味を持ちます。米国外のユーザーはカスタムボイスを作成できず、ElevenLabsが国際的なデフォルトの選択肢であり続けています。無料の選択肢については最高の無料音声クローンツールガイドをご覧ください。xAIがより多くの国に展開すれば、他社への価格圧力は本格的なものになるでしょう。

よくある質問

---

出典

1. Custom Voices and Voice Library - xAI Official - 2026年4月30日
2. xAI launches Grok 4.3 and voice cloning suite - VentureBeat - 2026年5月1日
3. xAI’s Custom Voices feature - The Decoder - 2026年5月2日
4. xAI Voice API Documentation - 2026年5月