xAIは2026年7月29日、Grok Voiceの新版「Think Fast 2.0」を公式サイトで発表した。ユーザーが話している最中から並行して推論を進める仕組みを改良し、応答までの時間を0.70秒まで短縮したうえで、文字起こし精度と会話の自然さも底上げしている。本記事を読むと、Think Fast 2.0で何が変わったのかが分かる。ChatGPT Advanced Voice Mode・Gemini Liveとの違いや、自社の音声AI導入をどこから検討すればよいかも見えてくる。これから音声AIをカスタマーサポートや業務システムに組み込む立場であれば、判断材料として役立つはずだ。xAI公式リリースページと公式デモ動画をもとに書いた。
この記事の対象読者：音声AIの業務活用を検討している経営者・情報システム担当、音声UIを使ったプロダクト開発に携わる開発者
Grok Voice Think Fast 2.0とは
Grok Voice Think Fast 2.0は、xAIが2026年7月29日に公開した音声対話モデルの最新版だ。公式には「最も高性能な音声対話モデル」と位置づけられている。最大の特徴は、ユーザーが話し終わるのを待たずに推論を始める「話しながら考える」方式にある。
従来の音声AIの多くは、聞く・考える・話すを順番に処理する。Think Fast 2.0はこの3つを並行して走らせることで、応答速度と会話の質を同時に引き上げている。改善点は大きく3つある。
- 並列推論／発話中に推論を先行させ、応答までの待ち時間を短縮
- 文字起こし精度の向上／専用の音声認識モデルに匹敵する水準まで改善
- 会話の自然さ／人間の実際の会話パターンに近づける訓練を追加
Think Fast 1.0から何が変わったか
初回の音声応答までの時間は1.25秒から0.70秒に縮まった。xAI公式ページが引用する第三者機関Artificial Analysis（以下、表中はAAと表記）の計測がある。Think Fast 2.0はGPT-Realtime-2.1やGemini 3.1 Flashと比べても総合品質・エージェント的な性能で上回る。会話の自然さはGemini 3.1 Flashを上回るが、GPT-Realtime-2.1にはわずかに届いていない。
| 指標 | Think Fast 1.0 | Think Fast 2.0 | GPT-Realtime-2.1 | Gemini 3.1 Flash |
|---|---|---|---|---|
| 総合品質指数（AA Speech-to-Speech） | 75.7% | 82.9% | 79.1% | 69.5% |
| 会話の自然さ（Full Duplex Bench） | 77.8% | 95.1% | 95.7% | 74.3% |
| エージェント性能（τ-voice Bench） | 52.1% | 56.5% | 45.7% | 37.7% |
| 初回応答までの時間 | 1.25秒 | 0.70秒 | 2.98秒 | 非公開 |
私が注目するのは、エージェント性能（τ-voice Bench）の伸び幅である。単純な受け答えの品質だけでなく、音声からツールを呼び出して作業を進める能力が1.0比で4ポイント以上伸びている。これは後述するカスタマーサポート用途で効いてくると私は見ている。
主な新機能
話しながら考える並列推論
Think Fast 2.0は、ユーザーの発話が終わるのを待たずに推論を開始する。xAI公式ページによると、この仕組みによってツールコールの実行が早まり、エージェントが最初の一文を話し終える前にツール呼び出しが完了することも多いという。xAIは通信サービスStarlinkのサポート窓口でこの新版をA/Bテストした。販売のコンバージョン率とサポートの完結率が向上したとxAIは発表している（具体的な数値は非公開）。
文字起こし精度の向上
文字起こし精度は、専用の音声認識モデルであるDeepgram Nova 3やElevenLabs Scribe v2に対して1.5〜2.0倍改善している。旧版のThink Fast 1.0との比較でも1.4倍の改善だ(xAIが数千の短いフレーズを24言語で評価)。ノイズの多い環境では専用の音声認識モデルとの差が約10倍に広がるとも記載されており、コールセンターのような騒がしい現場ほど恩恵が大きい設計だ。
音声を自動で文字に起こす仕組みそのものは、以前の記事Make.comとAssemblyAIで実現する、音声ファイルの自動文字起こしで整理した。業務への組み込み方も解説している。
より人間らしい会話設計
Think Fast 2.0は、短い文で話す・一度に一つの質問をする・余計な言い回しを避けるといった、人間らしい会話パターンに調整されている。xAIは強化学習によってこの傾向を訓練したとしている。私の見立てでは、これは音声UIの離脱率に直結する部分で、長い前置きをしない設計は業務用途でも評価しやすい。
料金・提供形態と移行スケジュール
Grok Voice Think Fast 2.0は1分あたり0.08ドルの従量課金で提供される。xAIは2026年8月5日に、標準のエイリアス（常に最新版を指す呼び名）を自動的に切り替える予定だ。「grok-voice-latest」はThink Fast 1.0から2.0に変わる。xAIによれば、既存のプロンプトを変更する必要はないという。
| 項目 | 内容 |
|---|---|
| 料金 | 音声1分あたり0.08ドル |
| 自動切替日 | 2026年8月5日（grok-voice-latestが2.0に切替） |
| 旧版を使い続ける方法 | モデル名を「grok-voice-think-fast-1.0」に明示的に固定（pin） |
| 対応言語 | 文字起こし評価は24言語で実施（詳細な対応言語一覧は公式ページに明記なし） |
料金・提供形態は今後変更される可能性があるため、契約前に公式サイトで最新情報を確認することをすすめる。
Think Fast 2.0は汎用の音声対話モデルであり、電話番号の発行や音声クローンまで含めたエージェント構築の枠組みではない。その枠組みにあたる別製品「Grok Voice Agent Builder」を、xAIは2026年7月2日公開の紹介動画で明らかにしている。
この動画によると、Voice Agent Builderは25言語にネイティブ対応し、料金は1分あたり0.05ドルとThink Fast 2.0より安い。両者は目的が異なる別製品であり、混同しないよう区別したい。
他のボイスモデルとの比較
応答速度と業務連携の速さを重視するなら、Grok Voiceが軸になる。会話の自然さならChatGPT Advanced Voice Mode、Google系サービスとの連携ならGemini Liveが候補だ。
| 項目 | Grok Voice Think Fast 2.0 | ChatGPT Advanced Voice Mode | Gemini Live |
|---|---|---|---|
| 料金体系 | 従量課金（1分0.08ドル） | 月額サブスク（Plus等に内包） | 月額サブスク（Google AIプランに内包） |
| 強み | 応答速度とエージェント的な作業性能 | 会話の自然さと音声⇔テキストの一体運用 | Google Workspaceなど既存サービスとの連携 |
| 弱み | API単体の利用が前提で、非開発者向けの窓口は少ない | xAI計測のエージェント性能（τ-voice Bench）は、基盤モデルのGPT-Realtime-2.1がGrokより低い | 同計測の総合品質指数は、基盤モデルのGemini 3.1 Flashが3モデル中で最も低い |
私は、音声からツールを呼び出してその場で処理を完結させたい用途ではGrok Voiceが有力候補になると考えている。サポート窓口の一次対応や、社内システムへの音声入力などが当てはまる。一方、社内の情報共有や資料作成のようにテキストと音声を行き来しながら使う場面では、ChatGPTの一体運用のしやすさが効いてくる。
複数のAIモデルの使い分けは、以前の記事Gemini Deep ResearchとChatGPT o1 proを組み合わせた賢い活用術でも整理した。音声以外のモデル選定を検討する際にも役立つ内容だ。
使う際の注意点・制約
xAIの発表には、対応言語の一覧や高負荷時の挙動、テレフォニー回線での品質劣化時のフォールバック動作についての記載がない。音声1分あたり0.08ドルという料金は、通話が長時間・大量に発生する用途では想定より費用がかさむ可能性がある。実運用前に想定通話時間で試算しておく必要がある。
また2026年8月5日の自動切替では注意が必要だ。既存の連携先が「grok-voice-latest」を指定している場合、意図せずThink Fast 2.0の挙動に切り替わる。
応答速度や声の調子が変わると、既存のプロンプト設計やスクリプトに影響が出る可能性がある。本番環境で使っている場合は事前に切替日を確認し、必要であれば旧版をpinしておくとよい。
中小企業・事業会社での活かし方
ツール呼び出しが速い音声モデルは、社内システムへの照会を伴う一次対応と相性がよい。予約確認・在庫照会・簡単な設定変更などが当てはまる。私は生成AIの導入支援の現場で、電話やチャットでの一次対応を音声AIに任せたいという相談を多く受けている。
一方、ブランドの声のトーンや複雑な例外対応が重要な窓口では、いきなり全面移行しない方がよい。まずは一部の問い合わせ種別から試験導入し、応答内容と離脱率を見ながら対象を広げるやり方が安全だ。自社だけで検証環境を組みにくい場合は、外部の導入支援を使うのも選択肢になる。
まとめ
Grok Voice Think Fast 2.0は、話しながら考える並列推論によって応答速度とエージェント的な作業性能を伸ばした音声モデルだ。ChatGPT Advanced Voice Modeは会話の自然さ、Gemini LiveはGoogleサービスとの連携という異なる強みを持つ。用途に応じて使い分けるのが現実的な選択になる。まずは自社の一次対応業務のうち、音声からシステム照会が発生する部分を1つ選び、Think Fast 2.0での試験導入を検討することから始めたい。
参考リンク
- Grok Voice Think Fast 2.0 公式発表（xAI公式サイト）
- Grok Voice Modeの公式デモ動画（Grok公式YouTubeチャンネル）
- Grok Voice Agent Builder紹介動画（Grok公式YouTubeチャンネル）
監修者
池田 智彦 ｜ 株式会社Spovisor 代表取締役
NTTドコモ・KDDIで通信業界に21年従事し、グローバル／国内市場で10以上の新規事業の立ち上げと、1,000万ユーザー規模サービスの開発・運用を主導。事業戦略から海外展開、エンジニアリングまで横断する経験を活かし、2023年6月に株式会社Spovisorを設立。現在はAI・アプリ開発、生成AIコンサル、AI駆動開発支援、AI顧問など、企業のDXを実装まで伴走する支援に取り組む。
生成AI／AIエージェントを「成果」に変える、Spovisorの伴走支援
株式会社Spovisorは、生成AI・AIエージェントを「使ってみた」で終わらせず、業務やプロダクトに組み込んで成果を出すところまで伴走する実装パートナーです。
| 支援領域 | 内容 |
|---|---|
| 生成AI組み込みアプリ開発 | Claude／ChatGPT／AIエージェントを組み込んだ業務アプリや自社プロダクトの設計から実装まで支援 |
| 生成AI導入コンサル／AI顧問 | 経営課題や業務プロセスから導入ポイントを設計し、本番運用まで伴走 |
| AI駆動開発支援 | Claude Code／Codexを使った開発生産性向上を現場へ定着 |