xAI、Grokにカメラ認識機能「Grok Vision」を追加　iOSで先行提供

スマートフォンのカメラを目の前の看板や商品に向け、そのまま声で「これ何？」と尋ねる。GoogleのGeminiやOpenAIのChatGPTで日常的になりつつあるこの操作に、イーロン・マスク氏率いるxAIも追いついてきました。

xAIはスマートフォン向け機能「Grok Vision」を発表しました。カメラに写った現実世界の物体について、Grokに直接質問できるようになります。

カメラを通して現実を見るGrok

Grok Visionを利用すると、ユーザーはスマートフォンのカメラを商品、道路標識、書類などに向けて質問を投げかけることができます。

今回のアップデートにより、Grokの音声モードにカメラへのアクセス権が追加されました。「何が写っている？」と話しかけるだけで、AIが画像と周囲の状況をリアルタイムに解析します。

ただし現時点ではプラットフォームに差があり、Grok Visionが利用できるのはiOS版のGrokアプリのみとなっています。Android版アプリへの提供はまだ先になる見込みです。

音声モードの多言語対応とリアルタイム検索、Androidには条件も

xAIはVision機能と同時に、音声モードの多言語対応とリアルタイム検索機能も公開しました。

これにより、音声でのやり取り中にWeb上の最新情報を検索して回答することが可能になります。

Androidユーザーもこの多言語音声とリアルタイム検索は利用できますが、利用には月額30ドルの「SuperGrok」プランへの加入が必須となっています。

xAIはここ最近、開発のペースを一気に上げています。4月初旬には過去の会話内容を記憶して引き出せる「メモリー」機能を追加したほか、ドキュメントやアプリを共同制作できるCanvasライクな機能もリリースしていました。

なぜ重要か

ユーザーにとって、カメラを介したリアルタイムの視覚認識は、文字を入力する手間をなくす実用的な機能です。すでにGrokを日常的に使っている人にとっては大きな前進ですが、ChatGPTやGeminiが先行している領域でもあるため、わざわざ乗り換えるほどの決定打にはまだ至っていない印象です。

業界全体で見れば、音声と視覚を組み合わせたリアルタイム対話は、最先端AIにとって「あって当たり前の標準装備」になったと言えます。xAIはこの数週間でメモリー、Canvas、Visionと立て続けに投入しており、先行するライバルとの機能差を驚異的なスピードで埋めにかかっています。

今回の施策は着実なキャッチアップとして評価できる一方で、プラットフォームや料金体系の分断が気になります。iOSのみでビジョンを先行させ、Androidでは音声検索に月額30ドルの高額プランを要求するやり方は、広く一般的なユーザーを獲得するうえで足かせになる可能性があります。