Grok Visionの使い方｜カメラと音声モードはいま、2025年の記事を答え合わせ

Grok Visionの登場：2025年4月に発表されたこと

2025年4月22日（米国時間）、xAIはGrokのアプリに三つの機能を加えたと発表しました。TechCrunchなどが伝えた内容は次のとおりです。

使える範囲には条件がありました。TechCrunchによると、Grok VisionはiOSのアプリだけで、Androidのアプリにはまだありませんでした。多言語の音声と、音声モードでのリアルタイム検索はAndroidでも使えましたが、月30ドルの「SuperGrok」の加入者に限られていました。

日本では、マックお宝鑑定団が4月23日に、iPhone版アプリのバージョン1.0.79でこれらの機能が加わったと伝えています。音声モードをオンにして画面左下のカメラのアイコンを押すとGrok Visionが起動し、映っているものについて声で質問すると、日本語の音声で答えが返ってくる、という内容でした。

ヒカリちゃんのまとめ2025年4月の発表は、カメラ、多言語の声、音声での検索の三つでした。カメラはまずiPhoneだけ、という始まり方でしたよ。

Grokのカメラと音声は、その後どうなったか（2026年10月まで）

発表のあと、Grokの音声まわりは二つの方向に広がりました。アプリの音声モードを使える場所が増えたことと、企業や開発者向けの音声モデル「Grok Voice」が出てきたことです。会社の形や料金プランの変化はGrokの使い方と無料版の記事で詳しく書いているので、ここでは音声とカメラに関わる出来事を中心に並べます。

気をつけたいのは、2026年に発表された「Grok Voice 2.0」「3.0」の多くが、開発者がAPIで使う音声モデルの話だという点です。xAIの発表には、スマホのGrokアプリの音声モードがどのモデルで動いているかまでは書かれていません。「Grokの音声が進化」というニュースを見たときは、アプリの話なのか、開発者向けの話なのかを分けて読むと混乱しません。

ヒカリちゃんのまとめ声の技術は2026年に大きく進みましたが、その多くは開発者向けの話です。アプリで何ができるかは、手元のアプリで確かめるのがいちばんですよ。

Grok Vision（カメラ）と音声モードの使い方

ここからは、いまのGrokアプリでカメラと声を使う手順です。2026年10月時点の公式の説明と、2025年の報道をもとにしています。画面の細かい配置は変わることがあるので、見当たらないボタンがあれば、3つめの「写真を送る」方法に切り替えてください。

1. 音声モードで話しかける

1. アプリを最新にする。App Storeの説明では、iPhone版はiOS 17以降が必要です。Android版はGoogle Playから入手できます。
2. ログインする。ログインせずに使うと、地域によっては入力を学習に使わない設定を選べません（05で説明します）。
3. 音声モードを開く。アプリには「ボイスモード」があり、話しかけるとリアルタイムで声の返事が返ってきます（App Storeの説明）。マイクの使用の許可を求められたら許可します。
4. 話し方を選ぶ。App Storeの説明では、会話のスタイルを選んで、やり取りを自分に合わせられます。
5. 日本語で、目的から話す。「来週の展示会の準備で、持ち物を一緒に整理したい」のように、何に使うのかを先に伝えると、答えが具体的になります。

音声で質問したときも、Grokは必要に応じてWebやXの投稿をその場で検索して答えます。Xのヘルプセンターは、質問が声でも文字でも、検索するかどうかをGrokが自分で判断すると説明しています。

2. カメラで見せて質問する

2025年4月の報道（マックお宝鑑定団）では、音声モードの画面左下にあるカメラのアイコンを押すと、カメラに映ったものについて話しながら質問できました。仕事で使うなら、次のような使い方が考えられます。

1. 英語の表示を読んでもらう：海外製の機械のエラー表示や、英語の取扱説明書のページを映して「何と書いてある？」と聞く。
2. 商品のラベルを確かめる：成分表示や型番を映して、何が書いてあるかを説明してもらう。
3. 案内や掲示を整理する：イベントの案内を映して、日時や場所、申し込み方法を整理してもらう。

答えは、映った文字や形をAIが読み取って推測したものです。型番や数値、成分のように間違えると困る情報は、必ず実物の表示で確かめてください。

3. カメラが見当たらないときは、写真を送る

公式サイトとアプリストアの説明には、チャットに写真や文書を添付して分析させる機能がはっきり書かれています。音声モードにカメラのボタンがない場合や、Android版で使えない場合は、写真を撮ってチャットに添付し、「この画像に書いてあることを日本語で説明して」と頼めば、同じような使い方ができます。写真を送る方法なら、送る前に写り込みを確かめられるので、仕事ではこちらのほうが安心です。

ChatGPTにも、カメラを映しながら話せる音声モードがあります。比べてみたい方はChatGPT音声モードのビデオ・画面共有の記事も参考にしてください。

ヒカリちゃんのまとめ音声モードで話しかけて、カメラのボタンがあれば見せて質問、なければ写真を送る。この順番で試すと迷いませんよ。

Grokの音声モードは日本で使える？日本語と料金

GrokはXが使えるすべての国で提供されていて（Xのヘルプセンター）、日本でも使えます。App StoreのGrokアプリは日本語に対応していて、公式サイトは30以上の言語で話したり書いたりできると案内しています。

日本語の音声は、2025年4月の時点で使えるようになっていました。開発者向けの音声も、2026年7月の発表で日本語を含む25以上の言語に対応するとされています。一方で、App Storeのレビューには「日本語で話しているのに英語に戻ってしまう」という声もありました（2025年7月）。英語に切り替わったときは、「日本語で答えて」とはっきり伝えてください。

料金：音声はPlusから料金表に明記

2026年10月12日から、Grokの有料プランは「The X Subscription」になりました。料金表では、月8ドルのPlusに「Grok Chat, Voice, Imagine, and Build」が含まれると書かれています。利用量は、チャット・Imagine・音声・Grok Botで共有する一つの枠で、週ごとに回復します。

米ドルの料金はxAIの公式料金ページで2026年10月26日に確認したもので、税は含みません。日本円はテクノエッジの報道（2026年10月13日）で紹介された、日本のWeb版の月額です。SuperやUltraを含むすべてのプランと選び方は、Grokの使い方と無料版の記事にまとめています。

年齢の決まり

利用規約とよくある質問では、使えるのは13歳以上で、13〜17歳は保護者の許可が必要です。アプリストアの年齢の表示は、App Storeが「16+」、Google Playが「18歳以上」でした（2026年10月26日確認）。家族のスマホや会社の端末に入れるときは、この表示も確かめてください。

ヒカリちゃんのまとめ日本でも日本語で使えます。音声は月8ドルのPlusから料金表に書かれているので、まず無料で試してみて、使えなければPlusを考えるとよいですよ。

Grokにカメラと声を渡す前に：プライバシーの注意

カメラと声は、文字を打つよりずっと多くの情報をAIに渡します。画面の端に映った書類、後ろを通った人の顔、周りの会話。2025年の記事は、この点に触れていませんでした。

規約とポリシーに書かれていること

1. 写真と声も「入力」になる。プライバシーポリシー（2026年10月11日更新）は、入力に画像・音声・声・動画を含むとしています。健康や生体情報などのセンシティブな情報は送らないよう求めています。
2. 写った人の顔や声にも権利を与える。利用規約（2026年10月12日更新）では、入力に人の画像や肖像、声が含まれる場合、それらについても運営会社に、取り消せず期限のない広い利用の権利を与えることになっています。
3. 学習に使われることがある。よくある質問（Consumer FAQs）では、入力と応答をモデルの学習に使うことがあり、設定で止められると案内しています。
4. 人が見ることがある。同じページで、限られた担当者が、性能の改善や不正利用の調査などのために会話を確認することがあるとしています。
5. Xの中のGrokで声を使う場合。Xのヘルプセンターは、音声入力とその書き起こし・翻訳がxAIと共有され、学習に使われることがあると説明しています。

設定で見直すこと

1. 学習を止める。アプリは［設定］→［データコントロール］→「Improve the model」、grok.com は［設定］→［データ］→「Improve the Model」で選べます。止めたあとでも、評価などのフィードバックを送ると、その内容は学習に使われることがあります。
2. 残したくない話はPrivate Chatで。画面右上のおばけの形のアイコンで「Private Chat」にすると、履歴に残らず、学習にも使われず、30日以内に削除されるとされています。
3. Xの中のGrokは、Xの設定で。Xの［設定］→［プライバシーと安全］→「データの共有とパーソナライゼーション」→［Grokとサードパーティコラボレーター］で、学習を許可する項目のチェックを外します。
4. いらない会話は消す。会話やアカウントを削除すると、システムから消えるまで最大30日かかるとされています。

会社で使うなら、個人情報保護委員会が2023年6月2日に出した注意喚起も参考になります。事業者が個人情報を含む内容を生成AIに入力するときは、利用目的の範囲内かを十分に確かめること、本人の同意なく入力した個人データが答えを出す以外の目的で扱われると法律に違反するおそれがあるため、サービス側が機械学習に使わないことなどを確かめること、と求めています。一般の利用者にも、利用規約やプライバシーポリシーを確かめてから判断するよう呼びかけています。

ヒカリちゃんのまとめ写真と声は、文字より多くのことを伝えます。学習の設定を見直して、人の顔やお客様の情報は映さない。この二つを守れば、安心して試せますよ。

2025年の記事の答え合わせ

私たちは2025年4月に、「Grok Vision登場」で始まるタイトルの記事（画像認識・多言語音声・リアルタイム検索で進化するxAIの生成AI）を公開しました。当時書いたことが、いまどうなっているかを確かめます。

いちばんの見落としは、カメラと声をAIに渡すことの意味を書かなかったことです。

当時の記事は、商品のラベルやレシートを映す使い方を紹介しながら、映したものがどう扱われるのか、学習を止める設定があるのかには触れていませんでした。また、有料プランの条件をiPhoneにもあてはまるように書いていましたが、報道ではAndroidの話でした。この記事で05を加えたのはそのためです。

ヒカリちゃんのまとめ「見せて、話して、調べる」という方向は当たっていました。外れたのはプランの細かい条件で、足りなかったのはプライバシーの話でした。