xAI、ノーコードのVoice Agent Builderをベータ公開

Voice Agent Builderは、運用担当者や開発者が基盤を一から組まずに大量の通話を処理する音声エージェントを作るための仕組みである。通話の流れを平易な文章で記述し、ドキュメント、ツール、ガードレールを添付すれば、約2分で動くエージェントができるとしている。既存の電話番号はSIPで接続でき、ツールは自社のAPIやMCPサーバーにつなげられる。独自クライアントをWebSocketで接続することも可能である。

従来の音声基盤は、音声認識、言語モデル、音声合成の3つのAPIを組み合わせ、段ごとに別の事業者を使うことが多いと説明している。各段でコストと遅延が増え、障害の要因も増えるという。同ビルダーはGrok Voiceに密結合した音声から音声への経路を一つのインターフェースで提供する。品質が低い電話音声、雑音、強い訛り、割り込み、話の途中での変更といった実際の通話条件で学習し、25以上の言語に対応するとしている。τ-voice Benchでは、Grok Voice 1.0が67.3%、Gemini 3.1 Flash Liveが43.8%、GPT Realtime 1.5が35.3%と示されている。

知識はナレッジベースから得る。プレーンテキスト、Markdown、Word、PowerPoint、Excel、HTML、JSONなどの文書をアップロードし、コレクション単位で複数のエージェントに共有できる。行動面では、Google CalendarやOutlook Calendarでの予約、メール送信、自社システムへのAPIリクエストによる注文状況確認や返金に対応する。Web検索やX検索、LinearやNotion、Google DriveやOneDriveとの連携もあり、人間への転送や通話の終了も行える。会話中はリアルタイム通知でエージェントの動作を確認できる。

音声は組み込みのものか、約2分の音声から作るブランド音声のクローンを選べる。各アカウントには無料の電話番号が付き、ブラウザ上で電話なしにテストもできる。全通話は録音と文字起こしがされ、使われたツールも確認できる。ガードレールでカード番号の読み上げや台本外の話題などを制限できる。料金はAPIレートの1分あたり$0.08で、音声は込み、無料の割り当て番号での通話回線は1分あたり$0.01が加算される。