Grok Voice Think Fast 2.0
Grok音声、会話から実行力へ。
xAIが2026年7月29日、音声モデルの大型アップデート「Grok Voice Think Fast 2.0」を発表した。自然に話せるかではなく、予約や電話対応といった実際のタスクをやり遂げられるかに評価軸を移した設計だ。
「話せるAI」から
「動くAI」へ
音声AIの競争軸が、会話の滑らかさから実務の完遂力へ移っている。
これまでの音声AI競争は「いかに自然に話すか」が主戦場だった。しかしxAIが2026年7月29日に発表したGrok Voice Think Fast 2.0は、会話の滑らかさよりも「タスクを完了できるか」を評価軸に据えた設計になっている。背景にあるのは、xAIが7月1日に立ち上げたVoice Agent Builderというノーコードの音声エージェント構築プラットフォームだ。予約受付や電話取次ぎ、書類処理といった実務を人手を介さず音声エージェントが完結させる土台が先に整い、その上で動く「頭脳」側であるThink Fast 2.0が、今回のアップデートで実行特化に磨かれた形になる。
この順番は象徴的だ。まずエージェントを作りやすくし、次にエージェントの実行力そのものを底上げする——音声AIが「雑談パートナー」から「業務インフラ」へ移行する、その第二波と位置づけられる。
第三者機関の計測でも裏付け
自社発表だけでなく、独立系ベンチマークでも上位を記録した。
| モデル | S2Sインデックス |
|---|---|
| Grok Voice Think Fast 2.0 | 82.9% |
| OpenAI GPT-Realtime-2.1 | 79.1% |
| Grok Voice Think Fast 1.0 | 75.7% |
| Google Gemini 3.1 Flash | 69.5% |
独立系のAIベンチマーク機関Artificial Analysisの計測によれば、Think Fast 2.0はSpeech-to-Speech Indexで総合2位につけ、タスク遂行力を測る「Tau Voice for Agentic Performance」では56.5%で全モデル中1位となった。さらに、初回音声応答が平均1秒を切る上位5モデルの中で唯一の存在だという。TestingCatalogもこの結果を、会話品質そのものより実行力に寄せた設計思想の表れと報じている。
推論トークンを削り、
発話より先に動く
賢さを削るのではなく、無駄な「考える時間」を削る設計。
Think Fast 2.0は推論トークンの使用量をv1.0比で約60%削減した（中央値の相対利用量はおよそ0.4倍）。これにより、エージェントが最初の一文を話し終える前に、予約APIの呼び出しやカレンダー登録などのツール実行が完了しているケースも珍しくないという。文字起こし精度についてもxAIは、自社の24言語評価においてDeepgram Nova 3やElevenLabs Scribe v2に対し語誤り率（WER）で1.5〜2.0倍優れると説明している——ただしこれはxAI自身の内部評価であり、上のArtificial Analysisのような第三者計測ではない点は分けて見る必要がある（詳しくは後述）。
音声を理解する
発話をリアルタイムに解析し、文脈と意図を保持したまま次の判断に渡す。
考える量を絞る
推論トークンを従来比で大きく削減し、必要な判断だけを素早く確定する。
先に動く
ツール呼び出しやAPI実行を発話と並行して開始し、0.70秒で最初の音声を返す。
エージェントが完結できる実務
Voice Agent Builder経由で、電話・予約・書類処理まで音声だけで完結させる用途が想定されている。
予約・来店受付
レストランや病院への予約を会話しながらカレンダーへ直接登録。取り違えの少ない日程調整が音声だけで完結する。
電話の一次対応
着信を受け、要件を聞き取り、担当者への取次ぎや折り返し登録までを実行。人手の一次受付を代替する。
書類・データ入力
音声で受けた内容をそのままフォームやスプレッドシートへ入力し、ファイルの仕分けまで自動化する。
職種別に見る影響度
エンジニア
Grok Voiceで音声エージェントを構築済みならThink Fast 2.0への切り替えはほぼドロップイン。ただしgrok-voice-latestエイリアスは8月5日にv1.0からv2.0へ自動切り替わる。latest指定の既存連携はその日を境に挙動が変わるため、安定動作が必要な本番環境は先にバージョンを固定しておきたい。
事業者
1分0.08ドルという価格は、電話対応や予約受付を人手で回す人件費と比べれば低コストになりやすい。件数の多い定型業務ほど自動化の採算が合う。
プロダクト担当
一般的な会話品質を示すS2Sインデックスより、タスク遂行力を測るTau Voice Agentic Performanceでの首位のほうが、業務自動化用途では参照すべき指標になる。
会話が上手なだけでは、仕事は終わらない。終わらせる音声へ。
見ておくべき3点
バージョンを固定する
8月5日の自動切り替え前に、安定動作が必要な本番環境はモデルバージョンを明示的にピン留めしておく。
自社ユースケースで測る
単一の指数を鵜呑みにせず、実際の予約・問い合わせフローで独自にベンチマークして判断する。
競合の反応を注視する
ほぼ同時期に登場したOpenAIのPresenceなど、競合がどう対抗してくるかが次の焦点になる。
鵜呑みにしない方がいい点
文字起こし精度の「Deepgram Nova 3 / ElevenLabs Scribe v2比1.5〜2.0倍」という数字は、あくまでxAI自身が内部評価で算出した値であり、Artificial Analysisのような第三者による独立検証を経ていない。第三者計測のあるS2Sインデックスやツール実行力の数値と、自己申告のWERの数値は、信頼度の重みづけを分けて扱うべきだ。
もう一つの論点は、音声エージェントが人の確認なしに予約や電話といった「現実世界の行為」を自律的に実行するようになるほど、誤動作や誤解に基づく実行ミスをどう検知し、誰が責任を負うのかという運用上の課題が重くなる点だ。チャット限定のアシスタントとは、抱えるリスクの質そのものが異なると捉えておく必要がある。