イーロン・マスクのxAIが、ボイスAIでトップの座を獲得しました。Grok Voice Think Fast 2.0は、AIモデルが音声会話をエンドツーエンドでどのように処理するかを評価するベンチマークであるArtificial Analysis Speech-to-Speech Indexで1位を獲得しました。
2026年7月29日にリリースされたこのモデルは、インデックスで79.0%のスコアを記録しました。より注目すべきは、各コンポーネントの指標です：スピーチ推論で97%、タスク成功率で94.7%です。
その数字が実際に何を意味するのか
Grok Voice Think Fast 2.0は、最初の音声までの時間が0.70秒です。
注目すべき数値は、エージェントパフォーマンススコアの56.5％です。エージェントパフォーマンスは、会話中に予約の手配や利用可能性に関するフォローアップ質問への対応など、複数ステップのタスクをどれほどうまく処理できるかを測定します。
このモデルは、前世代よりも約60%少ない推論トークンを使用します。
価格面では、xAIは音声1分あたり0.08ドルを課金しています。参考までに、10分のカスタマーサービス通話のAIコストは0.80ドルになります。
3か月以内に1.0から2.0へ
Think Fast 1.0は2026年4月頃にリリースされました。その後継バージョンはそれから3か月以内に登場しました。
バージョン2.0は25以上の言語をサポートし、ノイズの多い環境やさまざまなアクセントへの対応が向上しています。
xAIは、grok-voice-latest APIエンドポイントを使用する開発者向けに、2026年8月5日に移行を開始し、自動アップグレードパスを設定しました。
このモデルは、Qwenや音声AI分野のその他の主要プレイヤーの製品と競合しています。Grok Voice Think Fast 2.0は一部の個別指標ではやや劣るものの、評価されたすべての機能において最もバランスの取れた総合インデックス位置を獲得しています。