Grok Voice Think Fast 2.0公開 Starlink窓口で本番運用テスト中
「AIに電話対応を任せる」という話、今までは実験段階でした。もう一段、実用の側に踏み出したかもしれません。
SpaceXAI(Grokを作っている会社)が日本時間7月30日未明、音声モデルの新版Grok Voice Think Fast 2.0を公開しました。目玉は3つです。話しながら同時に推論する仕組み、電話回線並みの騒音下でも崩れない文字起こし、そして日本語を含む24言語で文字起こし評価が行われている多言語対応。しかも1分あたり$0.08(約12円)の従量課金で、今日からAPIで使えます。
何が新しいか 「話しながら考える」が遅延を殺す
音声AIの最大の壁は、考えている間の沈黙でした。従来の設計は「聞く→考える→話す」の直列で、賢くしようとするほど返答までの間が長くなる。人間相手の電話でこの間が伸びると、会話は一気に不自然になります。
新版はここを構造から変えています。発話しながら並行して推論する設計で、モデルが賢くなっても遅延が増えません。前世代1.0との比較で示された数字は次のとおりです(公式ページより)。
| 指標 | Think Fast 2.0 | Think Fast 1.0 |
|---|---|---|
| 初回応答までの時間 | 0.70秒 | 1.25秒 |
| 推論トークン使用量 | 0.4× | 1.0× |
| 会話の自然さ(対話ダイナミクス) | 95.1% | 77.8% |
| Artificial Analysis Voice Index総合 | 82.9% | 75.7% |
第三者評価のArtificial AnalysisではGPT-Realtime-2.1(High)やGemini 3.1 Flash(High)を上回り、音声モデル総合首位という位置づけです。
電話業務の本命は、実は文字起こし精度
派手なのは会話の自然さですが、業務投入で効くのは地味な数字のほうです。SpaceXAI公式は、文字起こし精度で専門モデルのDeepgram Nova 3やElevenLabs Scribe v2を1.5〜2倍上回ると報告しています。そして重要なのは次の一文です。
騒がしい環境では、専門の音声認識モデルとの差が約10倍に広がる
コールセンターの現場を想像してください。周囲の話し声、電話回線特有の圧縮された音、方言や早口。ここで崩れないというのは、単なるベンチマーク向けの数字ではなく、電話業務での実運用を想定した設計思想そのものです。
日本語も24言語の一つとして評価対象に入っています。日本の現場でどこまで使えるかは、実際に自社の音声を通してみないと分かりませんが、少なくとも「日本語対応が後回し」のプロダクトではありません。
Starlinkの電話窓口で自社A/Bテスト中
公式ページには、SpaceXがStarlinkのカスタマーケア電話でこのモデルをA/Bテストしており、売上転換率とサポート封じ込め率(オペレーターにつながずに解決できる率)が向上したと明記されています。
自社の主力プロダクトの電話窓口という失敗が経営にすぐ跳ね返る場所で、開発元自身がA/Bテストに載せている水準にはある。作り手が自分で使っている、というのは、外向けのベンチマーク数値よりも実用性の証拠として重い話です。
中小企業の実務にどう効くか
この発表が中小企業に投げかけている問いは、シンプルです。電話対応の一次受けを、AIに任せる余地があるか。
今まで、電話窓口の外注は月10万円以上、社員1人採用なら年300万円以上でした。1分$0.08(約12円)で回るなら、経済性は明らかに変わります。仮に月間1,000分の電話対応を任せるとして、原価は約1万2,000円。人件費とは桁が2つ違います。
もちろん、そのまま「全部AIで」とはなりません。以下の順で試すのが現実的です。
- 営業時間外の一次受け: 「明日折り返します」で済む問い合わせを受ける。失敗しても機会損失が最小の場所
- 予約や資料請求の受付: 定型化された問い合わせ。分岐と確認事項が明確な業務
- FAQ回答: よくある質問への回答。判断が要らず、間違えても訂正が効く
- 有人へのエスカレーション: どこで人に切り替えるかを設計。AIでは解決しないと早めに検知する仕組みが肝
逆に、契約変更、返金判断、クレーム対応のような、感情や個別判断が絡む場所は当面AIに寄せるべきではありません。ハルシネーション対策の記事で書いた「間違いに自分で気づけない領域は任せない」の原則は、電話業務でも同じです。
使う側の注意点 3つ
技術水準が上がるほど、使い方の設計で成否が分かれます。試す前に押さえておきたい点です。
- 通話録音とAI利用は事前に告知する: 顧客との会話にAIを介在させる以上、告知は法的にも道義的にも必須です。「AIオペレーターが対応します。会話は品質改善のため録音・処理されます」を冒頭に置く
- 失敗パターンをログで追う: どこで会話が崩れたか、どこで人にエスカレーションされたかを毎日見る。1週間で改善サイクルが回ります
- 緊急連絡先は必ず別ルートを残す: 医療、災害、事故など、AIで対応してはいけない類の連絡先は電話番号を分けるか、冒頭で明示的に別番号を案内する
これはシャドーAIの議論と同じ構造で、便利な機能ほどルールを1枚作ってから配るのが結局早道です。
まとめ: 「話し相手」から「働き手」への転換点
昨年までの音声AIは、話し相手としては優秀でも、業務の担い手にするには遅くて不安定でした。並行推論と騒音耐性という2つの実務指標が同時に前進した今回のリリースは、この評価を一段書き換える可能性があります。
観察ポイントは2つ。ひとつは、日本の企業が電話業務のどの部分をAIに寄せるか。もうひとつは、他社(OpenAI、Anthropic、Google)がこの並行推論のアプローチに追随するかどうか。追随が始まれば、来年にはAI音声窓口は導入の是非ではなく、どこから始めるかの話になっているはずです。
まず触ってみるなら、Grok Voice Think Fast 2.0のデモページで音声を試すのが早いです。自社のよくある問い合わせを一つ選び、「これをAIに一次受けさせるとしたら、どう設計するか」で頭を回してみると、来年の業務地図が少し見えてきます。