Vercel (ヴァーセル)は2026年7月29日(現地時間)、xAI (エックスエーアイ)が開発した音声モデル「Grok Voice Think Fast 2.0 (グロック・ボイス・シンク・ファスト 2.0)」が同社のAI Gateway (エーアイ・ゲートウェイ)で利用可能になったと発表した。このモデルは、音声入力・音声出力に対応するspeech-to-speechモデルであり、従来のGrok Voiceモデルと比較して推論能力、文字起こし精度、会話能力が大幅に向上しており、リアルタイムな会話型AIアプリケーションの開発を加速させることが期待される。
Grok Voice Think Fast 2.0は、音声と並行して推論を実行する能力を持つため、会話中に遅延を発生させることなくクエリを処理することが可能だ。さらに、このモデルは以前よりも少ない推論トークンを使用するように訓練されており、これによりツール呼び出しがより迅速に実行される。場合によっては、エージェントの最初の文が終わる前にツールの実行が開始されることもあるとされている。
Grok Voice Think Fast 2.0の文字起こし機能は、背景ノイズや電話回線の圧縮といった、現実世界における様々な音響条件下でも高い性能を維持するように設計されている。この新しいモデルは、AI SDKのrealtime APIを介して、xai/grok-voice-think-fast-2.0としてアクセス可能となっている。
開発者向けには、APIキーがクライアントに直接到達することを防ぐため、サーバー上で有効期限の短いトークンを発行するセキュアな仕組みが提供されている。Vercelは、開発者がAI Gateway playgroundでGrok Voice Think Fast 2.0を試すことや、realtime documentationを参照して、このモデルを用いた音声エージェントを構築する方法を確認することを推奨している。
参考: Vercel Blog — 2026年7月29日 09:00 (JST)