イーロン・マスク（Elon Musk）氏率いるSpaceXAIは昨日（7月29日）、同社で最も高性能かつ高知能な音声対音声（speech-to-speech）AIモデル「Grok Voice Think Fast 2.0」を発表した。
価格については、同モデルの音声料金は1分あたり0.08ドル（注：現在の為替レートで約0.54元）となる。公式は8月5日にgrok-voice-latestモデルをアップグレードし、grok-voice-think-fast-1.0からgrok-voice-think-fast-2.0へ更新する予定だ。
同モデルは、音声推論、文字起こしの精度、対話能力、ツール呼び出しの信頼性の向上に重点を置いている。Artificial Analysisが公表した音声対音声ベンチマークのデータによると、新モデルのAA Speech-to-Speech Quality Indexは82.9%で、Grok Voice Think Fast 1.0の75.7%から7.2ポイント上昇した。
SpaceXAIによると、同モデルは発話中に推論を同時に完了でき、推論能力を得るために追加の遅延を必要としないという。同社はまた、新バージョンでは各応答に必要な推論Tokenを削減し、本番環境ではツール呼び出しが通常、エージェントが最初の1文を話し終える前に完了すると説明している。
xAIは、数千のフレーズと24言語を対象とした社内評価で、Grok Voice Think Fast 2.0の文字起こし性能がDeepgram Nova 3およびElevenLabs Scribe v2の1.5～2.0倍、1.0版の1.4倍に向上したと説明している。明らかな背景ノイズや電話圧縮がある環境では、専用の音声文字起こしモデルとの差が約10倍に広がる可能性があるという。