xAI 的 Grok Voice Think Fast 2.0 將回應時間縮短至一秒以內

新聞摘要

在原版 Think Fast 1.0 首發不到三個月後，xAI 發布了次世代即時語音 AI 模型 Grok Voice Think Fast 2.0。這項升級模型於 2026 年 7 月 29 日（太平洋時間）宣布，帶來更快的回應速度、更精準的轉錄準確度，以及更自然的對話行為，使其成為全球開發人員建構語音驅動應用程式時的頂尖語音模型之一。

Think Fast 2.0 的新功能

更新後的模型在單一整合管線中進行聆聽、推理和說話，使其回應延遲明顯低於前代版本。根據 xAI 的說法，該模型的首音平均時間從 1.0 版的 1.25 秒降至 2.0 版的僅 0.70 秒，使其成為迄今公開測試中最快的語音模型之一。該公司表示，這項改善源於架構上的精進，讓模型能在形成完整回應之前就開始生成語音，就像人類在思考途中就開始說話一樣。

轉錄品質也有顯著提升。xAI 報告指出，Think Fast 2.0 的轉錄準確度較 Think Fast 1.0 提升了 1.4 倍，且在涵蓋超過 20 種語言、數千個短語的評估中，與其他廣泛使用的轉錄系統相比，準確度提升了 1.5 倍至 2.0 倍。據報在吵雜環境中（例如繁忙的客服中心或戶外場景），該模型的準確度提升更為顯著，解決了在真實環境中部署語音助理時最常見的失敗點之一。

獨立測試結果

第三方評估機構 Artificial Analysis 發布的結果顯示，Think Fast 2.0 的「High」推理變體在語音對語音指數中獲得 82.9% 的分數，躋身該指數追蹤的頂尖模型之列。該分數較 Think Fast 1.0 的 75.7% 有所躍升。同一項評估指出，Think Fast 2.0 是該指數前五名中，唯一維持首音平均時間低於一秒的模型，凸顯了 xAI 在速度與品質之間取得的平衡。該模型在另一項獨立的代理語音效能測試中也名列前茅，反映了其可靠遵循多步驟語音指令的能力。

為真實語音代理量身打造

xAI 表示，該模型是為了實際應用的語音代理而打造，而非僅作為研究展示。其設計旨在於吵雜環境中保持準確、遵循複雜的多步驟工作流程，並在往返對話中聽起來更自然，包括能妥善處理被打斷的情況。這些特性適用於客戶支援自動化、預約排程等使用情境，在這些情境中，語音代理必須在說話的同時推理任務，而不僅僅是朗讀腳本。

此次發布伴隨著 xAI 的 Agent Builder 平台持續成長，這是一項無程式碼工具，讓企業能夠透過以自然語言描述所需的通話流程、附加知識庫與外部工具，並從數十種預設語音音色中進行選擇，來設定實際應用的語音代理。該平台已支援超過 25 種語言，以及從短音訊樣本進行語音複製，且 xAI 已表示 Agent Builder 的部署將在未來幾週內轉換至較新的 Think Fast 2.0 引擎。

可用性與推出時程

開發人員可立即透過 xAI 的 Voice API 存取 Grok Voice Think Fast 2.0。該公司確認，許多整合中預設使用的「grok-voice-latest」別名，將於 2026 年 8 月 5 日正式從 Think Fast 1.0 切換至 Think Fast 2.0，讓開發人員有一段簡短的時間視窗，能在新模型成為預設選項前進行測試。使用量按處理的音訊分鐘數計費，這與 xAI 現有的語音定價結構一致，而對於對話期間執行的網路搜尋等可選工具呼叫，則會收取額外費用。

為何重要

語音介面日益被視為消費者與企業 AI 的關鍵前沿，多家主要 AI 實驗室正競相降低延遲並提升自然度，好讓語音互動感覺更接近與真人交談。透過在單次發布中同時縮小速度與準確度的差距，xAI 正釋放出一個訊號：基於語音的 AI 代理正從實驗性展示，邁向企業可用於日常任務的可靠工具，從客服專線到教育輔導應用程式，造福全球日益期望與 AI 系統進行快速、自然且多語言語音互動的使用者。