xAIが「Grok Voice 2.0」発表：発話しながら推論、応答遅延0.7秒

公開 2026年7月29日拡散指数 51

xAIは音声対音声モデル「Grok Voice 2.0」を発表した。発話と並行して推論を進める設計で、初回音声遅延を0.7秒に短縮し、総合ベンチマークでGPT-Realtime-2.1を上回った。料金は1分あたり0.08ドルで、8月5日に標準モデルへ切り替わる。

電話口のAI音声アシスタントと話して、不自然な間や聞き取りミスに苛立った経験がある人は多いはずです。

xAIが発表した最新の音声モデル「Grok Voice 2.0」は、まさにそうした現実の通話環境の課題を狙い撃ちしたモデルです。

発話しながら思考し、応答は0.7秒に短縮

第三者ベンチマーク機関のArtificial Analysisによると、Grok Voice 2.0の総合品質スコアは82.9%に達し、GPT-Realtime-2.1の79.1%やGemini 3.1 Flashの69.5%を上回りました。

目に見えて進化したのが応答速度です。音声の初回生成までの時間は0.70秒で、前世代の1.25秒から大幅に短縮され、Gemini 3.1 Flashの2.98秒と比べても圧倒的な速さを見せています。

特徴的なのは、声を発しながら同時に裏で推論を進めるアーキテクチャです。推論トークンの消費を抑えたことで、エージェントが最初の一文を話し終える前にツールの呼び出しが完了する場面が増えたといいます。

聞き取り精度も大きく向上しました。24言語にわたるテストで、Deepgram Nova 3やElevenLabs Scribe v2といった専用の音声認識モデルに対して1.5〜2.0倍の精度改善を記録しました。背景雑音や電話回線の圧縮がかかる過酷な環境では、その差は約10倍に広がります。

機械的な長文回答を避けるため、強化学習によって「短い文句脈句で話す」「一度に一つの質問だけを投げる」といった人間の会話リズムを学習させました。

すでに実環境でのテストも行われており、Starlinkのサポート電話に導入されたA/Bテストでは、販売成約率と問い合わせの自己解決率（Containment Rate）が向上したと報告されています。

利用料金は音声1分あたり0.08ドルで、2026年8月5日から最新エンドポイント（grok-voice-latest）のデフォルトがGrok Voice 2.0に自動で切り替わります。

従来の音声AIは、音声認識・大規模言語モデル・音声合成を直列につなぐため、どうしても数秒のラグが発生し、電話対応などの現場では実用に耐えにくい面がありました。

Grok Voice 2.0が応答0.7秒を実現し、ノイズの多い電話回線での認識精度を格段に引き上げたことは、コールセンターなどの実ビジネスにとって極めて実用的な進歩だと評価できます。自社のStarlink窓口で効果を実証してみせた点も説得力があります。

1分あたり0.08ドル（1時間あたり約4.8ドル）という価格設定は、24時間稼働のサポート業務ではコスト計算がシビアになりますが、対話の自然さと応答速度という観点において、OpenAIやGoogleに対する強力なプレッシャーになることは間違いありません。