xAIは4月23日の元ポストで、Grok Voice Think Fast 1.0を複雑な多段ワークフロー向けの音声モデルとして打ち出した。雑談用の音声アシスタントではない。顧客サポート、電話販売、予約変更のように、音声エージェントが聞き取り、推論し、ツールを呼び出し、構造化情報を確認し続ける業務を想定している。xAIはこのモデルがAPIで利用可能だとしており、単なるデモではなく配備の話になっている。

xAIの解説によれば、このモデルはτ-voice Benchで首位に立った。ベンチマークは雑音、訛り、割り込み、ターン交代のような現実の通話条件を前提にしている。さらに25言語超に対応し、バックグラウンド推論を追加レイテンシなしで動かすと説明する。比較対象としてはGrok Voice Fast 1.0、Gemini 3.1 Flash Live、GPT Realtime 1.5が挙げられており、競争軸を音声の自然さだけでなく実務性能に移そうとしている。

最も具体的な数字はStarlinkの運用例だ。ページでは、Grok Voiceが電話販売で20%の成約率を生み、サポート案件では70%の解決率を出しているとする。さらに1つのエージェントが28のツールを使い、数百のワークフローを処理しているとも書かれている。ここが重要だ。派手な音声デモより、住所修正、交換手続き、サービスクレジットのような失敗コストの高い処理をこなせるかどうかの方が、実用性をよく示すからだ。

xAIのアカウントは消費者向けGrok機能と企業向けAPIの更新を混ぜて出すことが多いが、今回の投稿は明確にAPI寄りである。次に見るべきは外部検証だ。ベンチマークの優位とStarlink型の運用指標が他社でも確認されれば、Grok Voiceは本格的な音声エージェント候補になる。数字がxAIの内部事例にとどまるなら、強いケーススタディではあっても市場転換点とまでは言い切れない。

#grok-voice

xAI、Grok Voice Think Fast 1.0投入 τ-voice首位と25言語超対応

xAI、Grok Voice Think Fast 1.0投入　τ-voice首位と25言語超対応