Grok Voice 3.0 출시…AI가 사람의 말을 듣고, 끼어들면 멈추고, 다시 대답한다

UPDATE DETAIL

DECHIVE 조사 기준: 2026년 10월 15일 12:00 KST. 공식 발표일: 2026년 10월 14일.

AI와 음성으로 대화할 때 가장 어려운 것은 무엇일까?

우리가 AI에게 텍스트로 질문할 때는 비교적 흐름이 단순하다.

사람이 질문을 입력한다.

AI가 답한다.

다시 사람이 질문한다.

하지만 실제 사람의 대화는 그렇게 깔끔하게 번갈아 진행되지 않는다.

사람은 말을 하다가 잠시 생각하기도 하고, 상대방의 말을 듣던 중 갑자기 질문을 바꾸기도 한다.

설명이 너무 길면 중간에 말을 끊기도 한다.

따라서 AI가 사람과 음성으로 자연스럽게 대화하려면 단순히 음성을 알아듣고 말을 생성하는 것만으로는 부족하다.

언제 들어야 하는지, 언제 말해야 하는지, 사용자가 끼어들었을 때 언제 멈춰야 하는지까지 판단해야 한다.

Grok Voice 3.0은 이 문제를 다루는 실시간 음성 에이전트 모델이다.

무엇이 발표됐는가

SpaceXSI는 2026년 10월 14일 Grok Voice 3.0을 공개했다.

Grok Voice 3.0은 음성을 입력받고 다시 음성으로 응답하는 실시간 Speech-to-Speech 모델이다.

현재 Voice Agent API에서 사용할 수 있으며 공식 모델 ID는:

grok-voice-3.0

이다. Grok API Documentation

기존 애플리케이션에서 grok-voice-latest를 사용하고 있었다면 별도의 API 변경 없이 새 버전으로 전환된다고 릴리스 노트는 설명한다.

반대로 grok-voice-2.0을 직접 지정하던 경우 새 모델로 변경해야 한다. 기존 2.0은 deprecated 상태가 됐다. Grok API Documentation

단순한 음성 인식 모델이 아니다

Grok Voice 3.0을 STT, 즉 음성을 글자로 바꾸는 모델로만 이해하면 안 된다.

실시간 세션 안에서:

사용자의 음성 입력 → 대화 이해 → 응답 생성 → 음성 출력

까지 연결하는 음성 에이전트 모델이다.

공식 개발자 문서는 WebSocket을 이용해 음성과 텍스트를 양방향으로 스트리밍할 수 있다고 설명한다. Grok API Documentation

사용자가 AI의 말을 중간에 끊을 수 있다

실제 음성 대화에서 중요한 것이 turn-taking이다.

예를 들어 AI가 길게 설명하고 있는데 사용자가 갑자기:

“잠깐, 그게 아니라 다른 걸 물어볼게.”

라고 말할 수 있다.

이 경우 좋은 음성 에이전트라면 자신의 발화를 계속 밀어붙이는 것이 아니라 사용자의 새 음성을 인식하고 대화의 흐름을 전환해야 한다.

SpaceXSI가 공식 발표에서 인용한 Full Duplex Bench 평가에서 Grok Voice 3.0은 97.0%를 기록했다.

이전 Grok Voice 2.0은 95.1%였다. SpaceXSI

하지만 이 숫자는 반드시 조심해서 읽어야 한다.

현실의 모든 음성 대화에서 97% 정확하게 끼어들기를 처리한다는 뜻은 아니다.

특정 벤치마크에서 측정된 결과다.

공식 발표가 인용한 독립 평가에서 86.9점

SpaceXSI 발표에 따르면 Artificial Analysis의 Speech-to-Speech Index에서 Grok Voice 3.0은 86.9점을 기록했다.

비교 수치는 다음과 같다.

• Grok Voice 3.0: Speech-to-Speech Index 86.9
• GPT-Live-1 (Astra, Medium): Speech-to-Speech Index 83.2
• Gemini 3.8 Live (Ext. Thinking, High): Speech-to-Speech Index 82.6
• Grok Voice 2.0: Speech-to-Speech Index 81.3

또 Speech Reasoning Big Bench Audio는 98.5%, Task Success Rate는 94.8%, Full Duplex Bench는 97.0%로 발표됐다. SpaceXSI

다만 이런 종합 점수가 모든 음성 사용 사례에서 최고의 결과를 보장하는 것은 아니다.

평가 방식과 작업 종류가 달라지면 결과도 달라질 수 있다.

응답 지연은 1초 미만이라고 발표했다

SpaceXSI는 Grok Voice 3.0이 1초 미만의 응답 지연을 제공한다고 설명한다. SpaceXSI

여기에서도 표현은 정확해야 한다.

모든 네트워크와 모든 사용자 환경에서 반드시 1초 안에 답한다는 보장이 아니라 회사와 평가 환경에서 보고된 성능이다.

실제 서비스에서는 네트워크, 도구 호출, 사용자의 위치와 연결 방식에 따라 지연 시간이 달라질 수 있다.

한국어도 공식 지원한다

공식 Speech-to-Speech 문서에는 한국어 ko가 지원 언어로 명시돼 있다.

모델은 사용자의 입력 언어를 감지해 같은 언어로 답하도록 구성할 수 있다. Grok API Documentation

또 language_hint를 이용해 특정 언어를 지정할 수 있다.

한국어 음성 서비스를 만들 수 있다는 의미다.

하지만:

한국어 지원 = 한국어를 항상 정확하게 이해한다

는 의미는 아니다.

실제 서비스라면 다음을 따로 시험해야 한다.

사람 이름, 회사명, 지역명, 숫자, 전화번호, 주소, 금액, 사투리, 주변 소음.

특정 이름과 전문용어를 더 잘 인식하도록 도울 수도 있다

공식 API는 keyterms를 지원한다.

최대 100개의 용어를 넣어 제품명이나 사람 이름, 전문용어처럼 잘못 인식하기 쉬운 단어를 음성 인식 과정에서 더 잘 처리하도록 힌트를 줄 수 있다. Grok API Documentation

예를 들어 한국 지역 서비스를 만든다면:

군산대학교 은파호수공원 선유도

같은 고유명사를 넣어 테스트할 수 있다.

다만 이 역시 정확성을 보장하는 기능은 아니다.

음성으로 실제 도구도 실행할 수 있다

여기서 Grok Voice가 단순한 음성 챗봇과 달라진다.

공식 API는 다음 도구를 지원한다.

• Web Search
• X Search
• Collections / File Search
• Remote MCP
• Custom Function

즉 사용자가:

“오늘 예약 가능한 시간 확인해줘.”

라고 말하면 AI가 연결된 시스템을 조회한 뒤 다시 음성으로 답하도록 만들 수 있다. Grok API Documentation

음성이 단순한 출력 방식이 아니라 AI 에이전트의 입력 인터페이스가 되는 셈이다.

가격은 분당 0.08달러

공식 발표 가격은:

$0.08 / minute

이다.

시간으로 환산하면:

$4.80 / hour

다.

이전 Grok Voice 2.0과 같은 가격이라고 SpaceXSI가 명시했다. SpaceXSI

공식 가격 문서에는 텍스트 입력 메시지당 0.004달러의 별도 요금도 표시돼 있다. 적용 대상과 예외는 요금 문서에서 확인해야 한다. 공식 API 가격표

또 웹 검색이나 MCP 등 연결된 도구에 별도의 비용이 있다면 전체 비용은 음성 통화료만으로 끝나지 않을 수 있다.

사용량 제한은 주의해서 봐야 한다

공식 Speech-to-Speech 요금·제한 문서에는 기본적으로 팀당 동시 세션 10개, 최대 세션 시간 120분이 표시돼 있다. Speech-to-Speech 요금·한도 문서

다만 이 페이지의 마지막 갱신일 표기는 2026년 9월 22일로, Grok Voice 3.0 발표 이전이다.

릴리스 노트는 grok-voice-latest가 3.0을 가리킨다고 설명한다. 공식 릴리스 노트

따라서 위 수치를 모든 계정의 3.0 이용 한도로 단정하기보다, 실제 동시 접속 한도와 이용 조건을 xAI Console에서 다시 확인해야 한다.

실제 서비스에서도 사용되고 있다고 발표했다

SpaceXSI는 Grok Voice가 Tesla 차량에서 하루 수백만 건의 대화를 처리하고 있다고 밝혔다.

또 Starlink 고객지원에서 하루 약 20,000건의 통화를 처리하며 약 70%가 사람의 개입 없이 해결된다고 발표했다. SpaceXSI

하지만 이 수치는 반드시 이렇게 써야 한다.

SpaceXSI의 공식 발표에 따르면.

DECHIVE가 Tesla와 Starlink의 실제 내부 운영 데이터를 독립적으로 검증한 수치가 아니기 때문이다.

DECHIVE의 검증 질문

AI가 사람처럼 자연스럽게 말하면 우리는 그 답까지 더 쉽게 믿게 되지 않을까?

음성 AI는 텍스트 AI보다 사람에게 훨씬 직접적으로 다가온다.

목소리가 자연스럽고, 내가 말을 끊으면 멈추고, 곧바로 다시 반응하면 우리는 그것을 단순한 프로그램보다 대화 상대처럼 느낄 수 있다.

하지만 자연스러운 대화와 정확한 판단은 서로 다른 능력이다.

AI가 사람처럼 말한다고 해서 검색한 정보가 맞는 것도 아니고, 실행한 도구의 결과가 올바른 것도 아니다.

따라서 음성 에이전트를 검증하려면:

내 말을 정확히 들었는가? 올바른 정보를 사용했는가? 어떤 도구를 실행했는가? 실행 결과를 다시 확인할 수 있는가?

를 함께 봐야 한다.

자연스러운 목소리는 신뢰감을 만든다. 하지만 신뢰감은 정확성의 증거가 아니다.

공식 자료

• Grok Voice 3.0 공식 발표
• Grok Voice 3.0 모델 페이지
• 공식 릴리스 노트
• Speech-to-Speech 개발자 문서
• Speech-to-Speech 요금·한도 문서
• 공식 API 가격표