音声AIは、自然に受け答えするだけの存在から、会話中に予約確認や情報照会まで進める業務エージェントへ変わりつつあります。Grok Voice Think Fast 2.0の更新から、速度と実務能力を両立する音声AIの現在地を読み解きます。
SpaceXAIは、音声対話モデル「Grok Voice Think Fast 2.0」を発表した。
Artificial Analysisの評価では総合スコア82.9％、エージェント性能56.5％を記録し、音声出力までの時間は前モデルの1.25秒から0.70秒へ短縮した。24言語の文字起こし精度や雑音環境への対応も改善したという。料金は音声1分当たり0.08ドルで、2026年8月5日に最新版を示すモデル名が自動的に切り替わる。
From: 
SpaceXAI launches Grok Voice Think Fast 2.0 on Agent Builder
【編集部解説】
Grok Voice Think Fast 2.0で注目すべき点は、音声の自然さだけでなく、会話中に業務処理を進める能力が強化されたことです。
Artificial Analysisの評価では、総合スコアが前モデルの75.7％から82.9％へ、エージェント性能が52.1％から56.5％へ上昇しました。音声が出始めるまでの時間も1.25秒から0.70秒へ短縮されています。一方、会話の間や割り込み対応などを測る会話ダイナミクスは95.1％で、GPT-Realtime-2.1（High）の95.7％をわずかに下回りました。すべての項目で競合を上回ったわけではなく、今回の強みは速度と業務遂行能力の組み合わせにあると見るべきでしょう。
Think Fastシリーズは、回答内容をすべて組み立ててから音声を出すのではなく、発話と並行して推論を進めます。2.0では、1回の応答で使う推論トークンの中央値が前モデルの0.4倍となり、多くの場合、ツール呼び出しはエージェントが最初の文章を話し終える前に実行されると説明されています。
例えば予約受付では、利用者に確認事項を尋ねながら空き状況を取得し、サポート窓口では説明を続けながら注文情報を調べるといった動作が考えられます。利用者を無言で待たせず、会話と処理を同時に進める設計です。これは、音声AIを質問に答えるインターフェースから、業務を完了させるエージェントへ近づける変更といえます。
SpaceXAIが2026年7月に公開したVoice Agent Builderは、電話回線、社内文書の検索、外部ツール、ガードレール、MCP、通話の監視機能などを一つの画面から設定できるノーコード基盤です。文書を参照するだけでなく、外部APIを通じて予約、情報照会、記録更新、有人担当者への転送などを行える構成になっています。
Think Fast 2.0は、短い文章で話す、一度に一つの質問をする、不必要な説明を避けるといった方向へ強化学習されています。これは雑談を豊かにするというより、利用者から必要な情報を順番に受け取り、手続きを止めずに完了させることを優先した設計と読み取れます。
Speech to Speech APIは日本語を正式な対応言語に含めており、入力言語を自動判定して同じ言語で応答できます。商品名や人名などの誤認識を抑えるため、最大100件の重要語句を指定する機能も用意されています。
また、OpenAI Realtime APIを利用しているアプリケーションは、接続先URL、APIキー、モデル名などを変更することでGrokのAPIへ移行できるとされています。ただし、一部のイベント名や未対応機能には違いがあるため、完全に置き換えられるとは限りません。
grok-voice-latestは2026年8月5日にThink Fast 2.0へ切り替わります。動作の変化を避けたい本番環境では、grok-voice-think-fast-1.0またはgrok-voice-think-fast-2.0のようにバージョンを固定する必要があります。
Voice Agent Builderの公開時点では、音声APIの料金は1分当たり0.05ドルでした。Think Fast 2.0は1分当たり0.08ドルで、SpaceXAIが提供する電話番号では電話接続料として1分当たり0.01ドルが別途かかります。
応答速度やタスク完了率だけでなく、1件の問い合わせを完了するまでの通話時間、有人対応への転送率、誤処理の発生率まで含めて費用を評価する必要があります。モデル単価は上がっていますが、通話時間や有人対応を減らせるなら、業務全体のコストが下がる可能性もあります。
文字起こし性能について、SpaceXAIは単語誤り率を基準に、Deepgram Nova 3とElevenLabs Scribe v2より1.5～2.0倍優れたと説明しています。この数値は、SpaceXAI自身が24言語の短いフレーズを使って行った評価に基づきます。また、Starlinkの電話窓口におけるA/Bテストでは、販売コンバージョン率と自動対応の完結率が向上したとされていますが、対象件数や具体的な改善幅は公表されていません。
日本語の長い会話、固有名詞、方言、複雑な問い合わせでも同じ精度を維持できるかは、実際の業務データを使って確認する必要があります。ベンチマーク上の向上は確認できますが、導入判断には各業務での試験運用が欠かせません。
【関連記事】
xAI Voice Agent Builder登場｜コード不要で電話AIを構築、Grok Voiceが挑む音声の一本道
Think Fast 2.0を実際の電話業務に接続するVoice Agent Builderを解説した記事。ノーコード構築、電話回線、業務ツール連携、従来の音声AIとの構成の違いを詳しく扱う。
Think Fast 2.0を電話受付やカスタマーサポートで利用するための基盤については、Voice Agent Builderの解説記事で詳しく紹介しています。
Grokボイスエージェント API登場―xAIが音声AI市場に本格参入、業界最安値の価格設定で競合を圧倒
2025年12月に発表された初期のGrok Voice Agent APIを扱った記事。Think Fast 2.0以前の応答速度、料金、多言語性能を確認でき、今回の更新との差を比較できる。
Grokの音声エージェントが当初どのような性能と価格で登場したのかは、2025年12月のAPI発表記事から確認できます。
xAI「Custom Voices」発表 1分の音声で本人クローン、二段階検証で他人の声を構造的に防ぐ
Grok Voiceで使用できるカスタム音声機能を扱った記事。音声エージェントの話し方やブランド独自の声を設計する際に関係する機能と、本人確認の仕組みを解説。
音声エージェントに独自の声を設定するCustom Voicesについては、本人確認と不正利用防止の仕組みを含めて関連記事で解説しています。
【編集部後記】
Grokは、性能だけでなくコストパフォーマンスの面でも好意的な評価を目にする機会が増えています。音声AIは長時間利用するほど料金の差が運用コストに直結するため、価格と性能のバランスは重要です。Think Fast 2.0は前モデルより単価が上がったものの、応答速度や業務遂行能力の改善が示されています。
実際の現場で、有人対応の削減や通話時間の短縮につながるかが評価のポイントになりそうです。
Grokらしいコストパフォーマンスを維持しながら、実用性の高い音声AIへ成長することを期待したいです。
【用語解説】
Speech-to-Speech（音声対音声）
音声入力から音声出力までを一体的に扱う方式。音声認識、言語モデル、音声合成を別々に接続する構成と比べ、処理遅延やシステム構成を抑えやすい設計。
Time to First Audio
利用者の発話が終わってから、AIが最初の音声を出し始めるまでの時間。値が短いほど、会話中の待ち時間を感じにくい傾向。
ツール呼び出し
AIが会話中に外部APIや業務システムを操作する仕組み。予約確認、顧客情報の検索、記録更新、有人担当者への転送などへの利用。
推論トークン
AIが回答や次の行動を決めるため、内部処理で使用する情報単位。使用量が少なければ必ず性能が高いとは限らないものの、処理速度や運用コストに影響する要素。
単語誤り率（WER）
音声認識結果に含まれる単語の置換、削除、挿入の割合を示す指標。一般に数値が低いほど文字起こし精度が高いことを示す。
エージェント性能
AIが会話するだけでなく、必要な情報を集め、外部ツールを使い、複数の手順を通じてタスクを完了する能力。
【参考リンク】
SpaceXAI公式サイト（外部）
Grokをはじめ、テキスト、コード、音声、画像、動画に対応するAIモデルや開発者向けAPIの情報を掲載する公式サイト。
Grok Voice（外部）
リアルタイム音声対話、音声合成、文字起こし、ツール呼び出し、カスタム音声など、Grokの音声API群を紹介する公式ページ。
Grok Voice Agent Builder（外部）
コードを書かずに音声エージェントを構築できる公式サービスページ。電話回線、業務ツール、ナレッジベース、ガードレールなどの対応機能を確認可能。
Voice API公式ドキュメント（外部）
Speech-to-Speech、Text-to-Speech、Speech-to-Textの機能、対応エンドポイント、料金、実装例を掲載する開発者向け資料。
Speech-to-Speech API公式ドキュメント（外部）
WebSocketを使ったリアルタイム音声対話、セッション設定、ツール呼び出し、モデル指定などの実装方法を解説する技術資料。
【参考記事】
Introducing Grok Voice Think Fast 2.0｜SpaceXAI（外部）
Think Fast 2.0の公式発表。前モデルや競合モデルとのベンチマーク、応答開始時間、文字起こし精度、推論効率、料金、モデル切り替え日を掲載。
Introducing the Voice Agent Builder｜SpaceXAI（外部）
Grok Voiceを業務に接続するノーコード基盤の公式発表。電話回線、文書検索、外部ツール、MCP、ガードレール、監視機能などを紹介。
Grok Voice Agent API｜SpaceXAI（外部）
Think FastシリーズとVoice Agent Builderの基盤となった音声エージェントAPIの公式発表。リアルタイム音声対話やツール利用の初期仕様を確認できる記事。
