Grok音声AIが0.7秒応答｜8月5日に自動切替

公開日:

マイクから文字起こしと音声対話に分岐するイメージ

SHARE

伊東雄歩
監修者 伊東 雄歩

株式会社ウォーカー CEO。東北大学卒。MENSA会員、JDLA認定講師、健全AI教育協会理事。生成AI×教育・学習科学を専門とし、2億円超のシステム開発プロジェクトを統括。

taolis.net X note Voicy YouTube
  • xAIが2026年7月29日、音声AI「Grok Voice Think Fast 2.0」を発表しました
  • 文字起こしと音声対話を1つのモデルでこなす「統合型」が最大の特徴です
  • 声が返ってくるまでの時間は1.25秒から0.70秒へ短縮されました
  • 騒がしい場所での聞き取り精度は、競合比で約10倍まで差が開いたとされています
  • 「grok-voice-latest」を使っている場合、8月5日に自動で新モデルへ切り替わります

電話口のAIに話しかけて、返事を待つ「あの数秒」がもどかしかった経験はありませんか。xAIが投入した新しい音声AIは、その待ち時間を0.7秒まで縮めました。しかも工事現場のような騒音の中でも聞き取れるといいます。何がどう変わったのか、料金や日本での使い勝手まで整理します。

Grok Voice Think Fast 2.0とは何か

xAI（イーロン・マスク氏が率いるAI企業）が2026年7月29日に発表した、新しい音声AIモデルです。日本では7月30日に各メディアが報じました。

最大の特徴は「文字起こし」と「音声対話」を1つのモデルで両方こなす点にあります。

これまでの音声AIは、役割を分けるのが一般的でした。まず音声認識AIが「音声を文字に変換」し、次に別の言語AIが「返事を考え」、最後に音声合成AIが「声にする」という三段構えです。

バケツリレーのように処理を渡すぶん、どうしても時間がかかります。途中で聞き間違いが起きると、その誤りを引きずったまま話が進んでしまう弱点もありました。

Grok Voice Think Fast 2.0は、この工程をひとまとめにしました。話を聞きながら同時に内容を推論するため、他の音声対話モデルよりも賢く動くとされています。

0.7秒で返す速さと、騒音に強い耳

応答速度は1.25秒から0.70秒へ

音声AIの使い心地を決める最大の要素が、最初の音が返るまでの時間（レイテンシ）です。

前モデルでは1.25秒かかっていました。新モデルではこれが0.70秒まで短縮されています。

人間同士の会話では、相づちや返事の間隔がおよそ0.2秒から0.5秒だといわれます。0.7秒はまだ少し遅いものの、「間が空いて気まずい」と感じる一線をようやく下回った水準です。

電話の一次受付では、この差が印象を大きく変えます。1秒以上黙られると相手は「切れたのかな」と不安になりますが、0.7秒なら会話として成立します。

騒音下では競合との差が約10倍

もう一つの目玉が、聞き取り精度の向上です。

xAIは24言語の短い発話を大量に集めて評価しました。その結果、音声認識で定評のあるDeepgram Nova 3やElevenLabs Scribe v2に対して1.5〜2.0倍の精度向上を示したとしています。

前モデルのGrok Voice Think Fast 1.0と比べても1.4倍の改善です。

さらに注目したいのが騒音環境での成績です。周囲がうるさい条件では、既存の音声認識モデルとの差がおよそ10倍まで開いたと説明されています。

静かな会議室で正確に文字起こしできるAIは、もう珍しくありません。難しいのは、機械音が鳴り響く工場や、人の話し声が飛び交う店内です。実務でつまずくのはたいていこちらの場面でした。

推論トークンは約60%削減

速度と精度を上げながら、処理の無駄も減らしています。

xAIによると、考えるために使う推論トークン（AIが内部で消費する計算量の単位）を約60%削減したとのことです。ツールの呼び出しも従来より速く実行されます。

ベンチマークでは、音声どうしのやり取りの総合品質が82.9%、エージェント性能（AIが自分で道具を使って作業を進める能力）が56.5%と報告されています。エージェント性能は競合を抑えて首位だと説明されています。

ただし総合品質については、別の集計ではQwen Audio 3.0 TTS Plusが首位で本モデルは2位とする見方もあります。評価の基準によって順位は変わると考えておくのが無難です。

前モデル1.0から何が変わったのか

xAIがGrok Voice Think Fast 1.0を発表したのは2026年4月のことでした。わずか3か月での世代交代です。

主な違いを並べると、進化の方向がはっきりします。

  • 応答速度：1.25秒 → 0.70秒（約44%短縮）
  • 文字起こし精度：1.0比で1.4倍
  • 役割：音声対話中心 → 文字起こしも1モデルで兼任
  • 推論トークン：約60%削減
  • 対応言語：24言語で評価

つまり1.0が「速く話せるAI」だったのに対し、2.0は「速く話せて、正確に書き取れるAI」へと守備範囲を広げた形です。

これまで文字起こし用と対話用でAPIを2本契約していた企業は、1本にまとめられる可能性があります。管理する仕組みが減れば、開発の手間も費用も下がります。

競合サービスとの比較

気になるのは他社との違いでしょう。2026年7月時点で公開されている、1分あたりの目安料金を並べます。

  • Grok Voice Think Fast 2.0：0.08ドル（約13円）
  • ElevenAgents：0.080ドル（言語AIの費用は別途）
  • Deepgram Voice Agent：0.075ドル〜
  • GPT-Realtime 2.1：約0.048ドル
  • gpt-realtime-2.1-mini：約0.015ドル
  • Gemini 3.1 Flash Live Preview：0.005ドル

ここで見落としてはいけない点があります。Grok Voiceは決して最安ではありません。

前の世代は1分0.05ドル前後で案内されていました。2.0は0.08ドルですから、実質的な値上げにあたります。

価格だけを見れば、Gemini 3.1 Flash Live Previewが桁違いに安く映ります。単純計算で16倍の開きです。

それでもxAIが強気の価格を出せる理由は、速度と騒音耐性にあります。安いモデルで聞き間違いが多発すれば、結局は人間が確認と修正に回ることになります。人件費まで含めて考えると、精度の高さが安さを上回る場面は少なくありません。

逆にいえば、静かなオフィスで簡単な用件をさばくだけなら、安価なモデルで十分ということでもあります。用途で選び分けるのが現実的です。

日本市場への影響

日本にとって、この分野は他人事ではありません。人手不足が最も深刻な領域の一つがコールセンターだからです。

矢野経済研究所によると、国内のコールセンター向けAIサービス市場は2024年度の90億円から2029年度には313億円へ拡大すると予測されています。

さらに大きな数字もあります。国内コールセンターで音声AIが対応しうる領域は約2.1兆円規模とされ、今後5年でそのうち約25%にあたるおよそ5,250億円分が音声AIに置き換わるという予測が出ています。

実際に動きも出ています。アフラック生命保険はOpenAIと提携してコールセンター人員の半減方針を示し、ベルシステム24は応対の完全自動化を掲げました。導入するかどうかではなく、どう進めるかの段階に入っています。

身近な場面で考えてみましょう。

たとえば町の歯科医院です。受付スタッフが治療の準備をしている間も予約の電話は鳴ります。1分13円のAIが一次受付を担えば、1日100分の通話でも1,300円ほどです。

建設会社の現場監督はどうでしょうか。重機の音がする現場で打ち合わせの内容を記録するのは、これまで至難の業でした。騒音下で10倍の差がつくなら、スマホを置いておくだけで議事録が残ります。

小さな運送会社も同じです。ドライバーからの連絡を運行管理者が手書きでメモしていた作業を、音声のまま記録して検索できるようになります。

日本語対応については、Grok Voiceが24言語で評価されており、xAIの技術文書でも日本語を含む対応が確認できるとされています。ただし敬語や社名の聞き取り、日本の電話番号を使った実運用での精度は、導入前に自社で検証すべき部分です。

利用者が注意すべき点

すでにGrok Voiceを使っている場合、見逃せない予定があります。

APIで「grok-voice-latest」を指定していると、2026年8月5日から自動的に新モデルへ切り替わります。

常に最新版を使いたい人には便利な仕組みです。一方で、モデルが変われば応答の癖や話し方も変わります。

本番システムで動かしている場合、切り替え当日に想定外の挙動が出る可能性があります。バージョンを固定した指定に変えておくか、事前に検証環境で試しておくのが安全です。

料金が上がる点も、あらためて確認しておきましょう。通話量が多い事業者ほど、月額の差は無視できません。

よくある質問（FAQ）

Q. 日本語でも使えますか？
A. 24言語に対応しており、日本語も含まれるとされています。ただし業界用語や固有名詞の精度は用途によって差が出るため、事前検証をおすすめします。

Q. 個人でも使えますか？
A. 今回発表されたのはAPIとして提供されるモデルです。開発者向けの色合いが濃く、個人が手軽に触るならGrokアプリの音声機能が入口になります。

Q. 料金の1分0.08ドルは高いのでしょうか？
A. ElevenAgentsとほぼ同水準で、Deepgramよりやや高い位置づけです。Geminiの安価なモデルと比べると割高ですが、速度と騒音耐性を評価する使い方なら妥当な範囲といえます。

Q. 8月5日を過ぎると古いモデルは使えなくなりますか？
A. 自動で切り替わるのは「grok-voice-latest」を指定している場合です。バージョンを明示して指定していれば、当面はそのまま利用できると案内されています。

Q. 文字起こしだけに使うこともできますか？
A. できます。1つのモデルで文字起こしと対話の両方をこなす設計なので、議事録用途に絞って使うことも可能です。

まとめ

  • xAIが2026年7月29日にGrok Voice Think Fast 2.0を発表しました
  • 文字起こしと音声対話を1モデルで兼ねる統合型が最大の特徴です
  • 応答は1.25秒から0.70秒へ短縮され、会話として自然な速さに近づきました
  • 騒音環境での聞き取りは競合比で約10倍の差がついたとされています
  • 料金は1分0.08ドル（約13円）で、前世代からは実質値上げです
  • 「grok-voice-latest」利用者は8月5日の自動切替に備える必要があります

音声AIの競争は、価格の安さから「うるさい現場でも使えるか」という実用性へと軸が移りつつあります。まずは自社の通話データを数十分ぶんだけ試して、聞き取り精度を体感してみることをおすすめします。

参考文献

前の記事

Siri AIが有料化へ｜月180円では足りず