xAIのGrok Voice Think Fast 2.0が応答時間を1秒未満に短縮

ニュース概要

xAIは、オリジナル版であるThink Fast 1.0のデビューから3か月足らずで、新世代のリアルタイム音声AIモデル「Grok Voice Think Fast 2.0」をリリースしました。2026年7月29日（太平洋時間）に発表されたこのアップグレード版モデルは、より高速な応答時間、より高精度な文字起こし、より自然な会話動作をもたらし、世界中で音声駆動型アプリケーションを構築する開発者向けの最先端の音声モデルの一つとして位置づけられています。

Think Fast 2.0の新機能

アップデートされたこのモデルは、単一の統合パイプラインでリスニング、推論、スピーキングを行うため、前任よりも顕著に低いレイテンシで応答できるようになりました。xAIによると、最初の音声が出るまでの平均時間は、バージョン1.0の1.25秒からバージョン2.0ではわずか0.70秒に短縮され、現在公開されているベンチマークで最速の音声モデルの一つとなっています。同社は、この改善はモデルが完全な応答を形成し終える前に音声の生成を開始できるようにしたアーキテクチャの改良によるものであり、人が考え中に話し始めるのと似ていると述べています。

文字起こしの品質も大幅に向上しました。xAIの報告によると、Think Fast 2.0はThink Fast 1.0と比較して文字起こしの精度が1.4倍向上しており、20以上の言語にわたる数千の短いフレーズを含む評価では、他の広く使用されている文字起こしシステムと比較して1.5倍から2.0倍の向上を達成しています。繁忙期のコールセンターや屋外環境などの騒音下では、さらに大きな精度の向上が見られ、現実の環境に導入された音声アシスタントの最も一般的な失敗ポイントの一つに対処しています。

独立系ベンチマークの結果

第三者評価機関であるArtificial Analysisが公開した結果によると、Think Fast 2.0の「High」推論バリアントはSpeech-to-Speech Indexで82.9パーセントを獲得し、同インデックスが追跡するトップモデルの仲間入りを果たしました。この数値は、Think Fast 1.0が記録した75.7パーセントからの大幅な向上を示しています。同じ評価では、Think Fast 2.0がインデックスのトップ5の中で、最初の音声が出るまでの平均時間を1秒未満に維持した唯一のモデルであったことも指摘されており、xAIが速度と品質のバランスをいかに取ったかを強調しています。また、このモデルは別のエージェント型音声パフォーマンスベンチマークでも高評価を獲得しており、複数ステップの音声指示に確実に従う能力を反映しています。

実際のボイスエージェント向けに設計

xAIは、このモデルが研究のショーケースとしてではなく、本番環境のボイスエージェントを念頭に置いて構築されたと述べています。騒音条件下でも精度を保ち、複雑な複数ステップのワークフローに従い、丁寧な割り込み処理を含めて、双方向の会話中により自然に聞こえるように設計されています。これらの特性は、カスタマーサポートの自動化、予約スケジューリング、およびボイスエージェントが台本を読み上げるのではなく、話しながらタスクを推論しなければならないその他のシナリオなどのユースケースを対象としています。

今回のリリースは、xAIのAgent Builderプラットフォームの継続的な成長に伴うものです。このノーコードツールにより、企業は自然言語で希望する通話フローを記述し、ナレッジベースや外部ツールをアタッチし、数十種類のプリセットされた音声トーンから選択することで、本番環境のボイスエージェントを設定できます。同プラットフォームはすでに25以上の言語と短い音声サンプルからのボイスクローニングをサポートしており、xAIはAgent Builderのデプロイメントが今後数週間以内に新しいThink Fast 2.0エンジンに移行する予定であることを示しています。

提供開始と展開スケジュール

開発者はxAIのVoice APIを通じてGrok Voice Think Fast 2.0に今すぐアクセスできます。同社は、多くのインテグレーションでデフォルトで使用されている「grok-voice-latest」エイリアスが、2026年8月5日にThink Fast 1.0からThink Fast 2.0に正式に切り替わることを確認しました。これにより、開発者には新しいモデルがデフォルトになる前にテストするための短い期間が与えられます。利用料は処理された音声1分あたりで課金され、これはxAIの既存の音声価格設定構造と一貫しており、会話中に実行されるウェブ検索などのオプションのツール呼び出しには追加料金が発生します。

重要性

音声インターフェースはコンシューマーおよびエンタープライズAIにおける重要なフロンティアとしてますます認識されており、複数の主要なAI研究所が、音声でのやり取りを人間と話している感覚に近づけるべく、レイテンシの削減と自然さの向上を競い合っています。単一のリリースで速度と精度の両面で格差を縮めることで、xAIは音声ベースのAIエージェントが実験的なデモから、企業が日常的なタスクに展開できる信頼できるツールへと移行していることを示しています。これはカスタマーサービスの回線から教育指導アプリケーションに至るまで、AIシステムとの高速で自然な多言語音声インタラクションをますます期待する世界中のユーザーに利益をもたらすものです。