概要
xAIは7月29日、音声対話モデルの新版「Grok Voice Think Fast 2.0」を発表した。前世代の「Grok Voice Think Fast 1.0」の後継にあたり、応答の知性・文字起こし精度・会話能力を大幅に強化したとしている。第三者評価機関Artificial Analysisのベンチマークでは、初回音声出力までの時間（Time to First Audio）が前版の1.25秒から0.70秒へと短縮され、音声モデルのランキング上位5モデルの中で唯一1秒を切る速度を記録した。総合評価であるSpeech to Speech Indexのスコアも75.7%から82.9%へと向上し、Qwen Audio 3.0 Realtime Plusに次ぐ2位につけている。またエージェント的な処理能力を測るTau Voiceでは56.5%を記録し、こちらは1位を獲得した。xAIによれば、GPT-Realtime-2.1やGemini 3.1 Flashといった競合モデルをスコア面で上回っているという。
技術的な詳細
今回のアップデートで特に強調されているのが文字起こし精度の改善だ。xAIの評価によると、24言語にまたがる短いフレーズの認識テストで、Deepgram Nova 3やElevenLabs Scribe v2と比較して1.5〜2.0倍の精度向上を達成し、背景ノイズが多い環境では他モデルとの精度差がおよそ10倍にまで拡大したという。前版のThink Fast 1.0との比較でも1.4倍の精度向上としている。推論効率の面では、推論に使用するトークン数を約60%削減しながら、推論処理と音声生成処理を並行して実行することで、複雑な問い合わせに対しても低レイテンシーを維持する設計になっている。会話能力を測るベンチマークでは95.1%のスコアを記録した。料金は1分あたり0.08ドルに設定されている。
提供開始と実運用での評価
Grok Voice Think Fast 2.0はxAIのAgent Builder上で利用可能になっており、8月5日には既存のエイリアス「grok-voice-latest」が自動的に新版へ切り替わる予定だ。すでに実運用でのテストも進んでおり、衛星通信サービスStarlinkの電話サポート窓口に導入したケースでは、売上転換率や問い合わせ対応の解決率が向上したと報告されている。応答速度と認識精度の両面での改善は、リアルタイム性が求められる音声エージェント用途において実用上の差別化要因になるとみられる。
背景と今後の展望
音声対話AIの分野では、OpenAIのGPT-RealtimeシリーズやGoogleのGeminiシリーズ、Qwenの音声モデルなど各社が低遅延・高精度の実現を競っており、xAIも音声版Grokの世代交代を重ねることで開発競争に対応してきた。今回のThink Fast 2.0は、単なる応答速度の改善にとどまらず、ノイズ耐性や多言語対応、エージェント的なタスク処理能力まで含めた総合的な底上げを図った形だ。今後は音声エージェントを組み込む企業向けの導入事例が増えるかどうかが、xAIの音声AI戦略における次の焦点になりそうだ。