xAIが「Grok Voice Agent API」公開、1分0.05ドルで超低遅延音声を提供

テスラ車の車内などで導入が進んでいた xAI の音声技術が、ついにすべての開発者向けに解放されました。

xAI は、モバイルアプリや数百万台のテスラ車で稼働している音声対話基盤を外部提供する「Grok Voice Agent API」を正式発表しました。

数多くの言語に対応し、外部ツールの呼び出しや、X およびウェブ上のリアルタイム検索と連動した音声エージェントを構築できます。

自社製スタックで応答遅延を大幅削減

xAI によると、今回の音声エージェントは既存モデルの組み合わせではなく、音声活動検出（VAD）やトークナイザー、専用の音声モデルに至るまで自社で一から開発したとのことです。

この垂直統合により、平均初回音声応答時間は 1 秒未満を達成しました。同社は最も近い競合と比べて約 5 倍高速であると主張しています。

音声推論ベンチマークの Big Bench Audio では第 1 位を獲得し、第三者機関である Artificial Analysis の独立検証も受けています。

さらに、OpenAI の Realtime API とのブラインド比較評価において、発音やアクセント、抑揚の自然さなどの項目で Grok がより高い評価を得たとしています。

価格体系は音声 1 分あたり一律 0.05 ドルとシンプルに設定されています。OpenAI Realtime API の仕様と互換性を持たせたほか、LiveKit プラグインやブラウザ上で試せるプレイグラウンドも用意されました。

なぜ重要か

AI の対話体験がテキストから低遅延なリアルタイム音声へとシフトするなか、xAI の本格参入は市場の競争を一段と加速させそうです。

開発者視点で見ると、OpenAI の Realtime API 仕様と互換性があるため、既存のコードを大幅に書き換えることなく移行テストを行える点が非常に実用的です。1 分あたり 0.05 ドルという固定の料金体系も、コスト予測が立てやすく魅力的な選択肢になります。

数百万台規模のテスラ車という過酷な実環境で磨き上げた実績を引っさげて API 化したアプローチは、非常に説得力があります。加えて、X の投稿を含むリアルタイム検索をそのまま音声で引き出せる点は、最新情報を扱うアシスタント開発において明確な強みとなるでしょう。

一方で、ビジネス用途やカスタマーサポートへの導入では、単なる応答速度だけでなく、専門用語の認識精度や予期せぬノイズ環境下での堅牢性が問われます。ベンチマーク上の優位性をエンタープライズの現場でどこまで発揮できるかが、今後の普及の鍵を握りそうです。