xAI、フラッグシップ音声モデルGrok Voice 1.0をAPIで提供開始

Grok Voice 1.0は、曖昧さを含む複雑な複数ステップの業務を想定した音声エージェントである。住所、メールアドレス、電話番号、口座番号などの構造化データを、早口や強い訛りの場合でも収集して読み返せるとしている。言い直しや言いよどみにも対応し、ユーザーの訂正を踏まえた住所をカスタムツールで検索し、正規化した結果を読み上げて確認する流れが示されている。

性能面では、応答遅延に影響を与えずにバックグラウンドで推論を行う点が特徴とされる。エッジケースを事前に推論して誤りを減らす設計で、例として「Xを含む月名はあるか」という質問に対し、他のモデルは2月と誤答したが、Grok Voice 1.0は該当なしと答えたと紹介している。25以上の言語にネイティブ対応し、電話回線の音声、背景雑音、強い訛り、頻繁な割り込みといった条件で検証したという。τ-voice Benchのリーダーボードでは、Grok Voice Fast 1.0、Gemini 3.1 Flash Live、GPT Realtime 1.5と並べて首位に立つとしている。

導入事例として、Starlinkの電話営業とカスタマーサポート（+1 (888) GO STARLINK）を挙げている。営業問い合わせの5件に1件、つまり20%で通話中に契約が成立し、サポート問い合わせの70%は人手を介さずに解決される。1つのエージェントが28のツールを使い、数百の営業・サポートのワークフローをこなす。ハードウェアのトラブルシューティング、交換手配、サービスクレジットの付与も自律的に行うという。