SpaceXAI、音声対話モデル「Grok Voice 2.0」を公開

SpaceXAI（旧xAI）は、次世代のエンドツーエンド音声対話AIモデル「Grok Voice Think Fast 2.0」を発表し、提供を開始した。本モデルは、最初の音声が出力されるまでの時間（TTFA: Time to First Audio）を従来の1.25秒から0.70秒へと短縮したほか、推論トークン数を60%削減し、高騒音環境における認識精度を向上させている。Speech-to-Speech APIを通じて1分あたり0.08ドルで提供される。

Grok Voice Think Fast 2.0の主な進化点と機能仕様は以下の通りである。

• ​応答遅延の短縮​: 最初の音声出力（TTFA）が0.70秒となり、従来の1.25秒から高速化。リアルタイムでの自然な対話を実現する。
• ​文字起こし・認識精度の向上​: 競合する音声エンジンと比較して1.5〜2倍の精度を実現。特に高騒音環境下では最大10倍の認識改善を達成している。
• ​トークン効率の改善​: バージョン1.0と比較して思考トークン消費量を60%削減し、処理コストと運用オーバーヘッドを低減する。
• ​多言語ネイティブ対応​: ネイティブアクセントによる25以上の言語に対応し、会話中の言語切り替えもスムーズに行える。
• API提供と自動アップグレード​: SpaceXAIのSpeech-to-Speech API経由で利用可能。料金は音声処理1分あたり0.08ドル。なお、grok-voice-latest を使用している環境は2026年8月5日に自動的に2.0へ更新される。

評価項目	Think Fast 1.0	Think Fast 2.0
音声出力遅延 (TTFA)	1.25秒	0.70秒​
思考トークン削減率	基準	60%削減​
高騒音下の認識精度	基準	​最大10倍向上​
API利用料金	-	1分あたり 0.08ドル​

対話型音声AIにおいて遅延1秒を切る0.70秒を達成したことで、車載システムやリアルタイムカスタマーサポートなど、即答性が求められる分野でのユーザー体験向上が期待される。トークン消費の60%削減と低廉なAPI料金（1分0.08ドル）は、開発者の運用コストを抑制し、音声AIアプリケーションの普及を後押しするとみられる。

出典: xAI