きょう2026年8月5日、Grokの音声APIで、何も操作していない開発者のリクエストが一斉に別のモデルへ切り替わった。xAIが7月29日に発表していた新しい音声認識・音声対話モデル「Grok Voice Think Fast 2.0」が、既定モデルを指す grok-voice-latest の呼び出し先として、本日から本番稼働を始めたためだ。
変更を申請した開発者は一人もいない。従来モデル「Think Fast 1.0」のままでいたい場合は、事前に grok-voice-think-fast-1.0 と明示的に指定してピン留めしておく必要があった。していなければ、今日から自動で新モデルに乗り換わり、同時に料金体系も変わっている。
⚠ 情報の鮮度について
Grok Voice Think Fast 2.0そのものの発表は2026年7月29日（xAI公式ブログ）で、本記事公開時点で約1週間が経過しています。ただし本記事が主題にしているのは発表の内容そのものではなく、その中で予告されていた「既定モデルの自動切替日」が本日8月5日に到来したことです。EU AI Actの施行日のように、発表日ではなく効力発生日を起点に意味を持つ話として書いています。価格の数値と、他社モデルとの精度比較の数値は7月29日のxAI発表時点の自己申告です。応答速度（0.70秒）については独立系ベンチマークArtificial Analysisの同日計測でも裏付けが取れています。
Section 01
本日、何が自動で切り替わったのか
xAIの音声APIには、常に最新のモデルを指す `grok-voice-latest` というエイリアスがある。これまでこのエイリアスは「Think Fast 1.0」を指していたが、7月29日の発表で8月5日から「Think Fast 2.0」に切り替えることが予告されていた。そして本日、その予告どおりの日付が来た。
影響を受けるのは、コールセンターの自動応答、ドライブスルーの注文受付、スマートスピーカー連携など、Grok Voiceを使って音声エージェントを組んでいる開発者・企業だ。コードを一切変更していなくても、今日を境に応答の中身も、請求される金額も変わっている。
| 比較項目 | Think Fast 1.0（〜8月4日） | Think Fast 2.0（8月5日〜） |
|---|---|---|
| 料金（音声1分あたり） | 0.05ドル | 0.08ドル（6割増） |
| 最初の応答までの時間 | 1.25秒 | 0.70秒（44%短縮） |
| 音声認識精度（前世代比） | 基準 | 約1.4倍 |
| 推論トークン消費量 | 基準 | 約60%削減 |
| 対応言語での評価規模 | — | 24言語・数千フレーズ |
6割増
音声1分あたりの料金（0.05→0.08ドル）
0.70秒
最初の応答が返るまでの時間
0件
この切替に必要な開発者側の操作
一言でまとめると──「性能は上がったが、値段も上がった。しかも何もしなくても今日から両方が適用される」。ピン留めをしていなければ、この記事を読んでいる間にもあなたのAPIは新モデルで動いている。
Section 02
Think Fast 2.0とは──性能はどれだけ上がったか
Grok Voiceは、音声を聞き取って理解し（音声認識）、考えて（推論）、声で答える（音声合成）までを一つのモデルでこなす音声対話AIである。Think Fast 2.0はその第2世代で、xAIは「実世界の音声エージェント向け」と位置づけている。呼び出し方や既存のプロンプトを書き換えなくても、性能が上がる設計だという。
もっとも分かりやすい変化は認識精度だ。数千の短いフレーズを24言語で評価したテストで、競合の音声認識モデル（Deepgram Nova 3、ElevenLabs Scribe v2）と比べて1.5〜2.0倍の精度を記録し、前世代のThink Fast 1.0と比べても1.4倍の精度向上があったという。
ここで見落とされがちなのが、環境が悪くなるほど差が開くという点だ。静かな環境での比較なら1.5〜2.0倍で済む差が、背景雑音や電話回線の圧縮を伴う条件では約10倍まで広がる、とxAIは説明している。コールセンターやドライブスルーのような「聞き取りにくい現場」こそ、この差がそのまま実用性の差になる場所だ。
音声エージェントは現実世界で使われる。背景雑音があり、電話回線の圧縮があり、話者は途中で言い直す。Think Fast 2.0は、そうした条件でこそ差が出るように設計した。
— xAI公式発表「Introducing Grok Voice Think Fast 2.0」より要旨（2026年7月29日）
速度面では、最初の音声が返るまでの時間が1.25秒から0.70秒に縮んだ。この数字はxAIの自己申告だけではない。独立系のベンチマーク機関Artificial Analysisが同日に計測した結果でも、Think Fast 2.0は主要な音声対話モデルの中で唯一、平均応答時間が1秒を切ったと報告されている。加えて、推論に使うトークン量そのものを約60%減らしたという。これは応答が速くなっただけでなく、同じ会話を動かすための計算コストが下がったことを意味する。にもかかわらず利用料金は上がっている点は、次の章で扱う。
ただし、Deepgram Nova 3やElevenLabs Scribe v2との精度比較（1.5〜2.0倍、騒がしい環境で約10倍）は、現時点ではxAI自身が公表した評価であり、応答速度のようにArtificial Analysisのような第三者が同じ条件で再計測した結果ではない。速度は独立検証済み、精度差は自己申告、という区別は持っておきたい。
Section 03
Grok Voiceの料金はいくらになったか
Think Fast 2.0の料金は音声1分あたり0.08ドル。Think Fast 1.0の0.05ドルから6割の値上げになる。処理コストは推論トークンの削減で下がっているはずだが、利用者が支払う単価はむしろ上がった形だ。
01
個人利用ではほぼ気づかない
10分間の音声対話なら0.5ドルが0.8ドルになる程度で、差額は0.3ドル。単発の利用でこの値上げを実感する場面は少ない。
02
大量処理では請求額に直結する
月に10万分（コールセンターなら1日数百件規模）を処理する事業者なら、月額は5,000ドルから8,000ドルへ、3,000ドルの増加になる。ここは個人と法人で影響がはっきり分かれる。
03
請求書は今日から変わっている
ピン留めをしていない限り、値上げの適用にユーザー側の承認は要らない。次の請求書を見て初めて気づく事業者が一定数出るはずだ。
⚠ 「性能が上がったから値上げ」は検証されていない
応答速度の向上は独立系ベンチマークでも裏付けが取れていますが、他社モデルとの精度差（1.5〜2.0倍、騒がしい環境で約10倍）はxAI自身の評価データにとどまります。6割の値上げに見合う体感差があるかどうかは、実際の自社データで確かめるのが確実です。
Section 04
なぜ音声AIは「速さ」を競い始めたのか
音声対話は、文章のやり取りと違って「間」が命になる。人間同士の会話では、相手の発言が終わってから0.2秒前後で応答が返るのが自然とされる。[ChatGPT](/products/chatgpt)のRealtime APIや[Gemini](/products/gemini)のLive API、ElevenLabsやDeepgramといった専業の音声認識サービスも、この数百ミリ秒の壁を縮める競争を続けている。Think Fast 2.0の0.70秒という数字は、この文脈の中で見る必要がある。
A
遅い音声AIは「使われない」
テキストのチャットボットなら数秒の待ち時間は許容されるが、電話や音声通話で1秒以上の沈黙が続くと、人は「切れた」と感じて話しかけ直してしまう。速度は快適さそのものに直結する。
B
企業導入が音声AIの主戦場になった
xAIはTeslaやSpaceXの社内利用データを引き合いに出すなど、コンシューマー向けチャットだけでなく、コールセンターや業務用エージェントとしての採用を明確に狙っている。
C
トークン効率の改善が値付けの余地を生む
推論トークンを60%減らせれば、同じ会話をより少ない計算資源で処理できる。値上げをしても、事業者側の利益率は改善している可能性が高い。
Section 05
移行前に確認すべきこと
すでに切り替わってしまった今日以降、開発者・事業者が取れる選択肢は主に2つある。
💡 新モデルのまま使う場合
特に何もする必要はない。ただし次の請求サイクルで、想定より2〜3割ほど音声関連のコストが増えていないかを確認しておくとよい。大量処理をしている事業者ほど、増加額は無視できない規模になる。
💡 旧モデルの挙動を維持したい場合
API呼び出しで `grok-voice-think-fast-1.0` を明示的に指定すれば、Think Fast 1.0の挙動と料金のまま使い続けられる。ただし旧モデルがいつまで提供されるかについて、xAIは期限を明言していない。
もう一点、実際に自社の音声サンプル（できればコールセンターの録音のような雑音入りの音声）で新旧モデルを比較しておくことを勧める。xAIが示す「約10倍」という数字は同社の評価環境での結果であり、自社の音声データでも同じ差が出るとは限らない。
Section 06
編集部の見立て
Editor's Opinion
今回の件で気になったのは、性能や価格そのものより「既定モデルが自動で切り替わる」という仕組みのほうです。ピン留めという回避策は用意されていましたが、それを7月29日の発表時点で把握し、実際に設定していた開発者がどれだけいたかは分かりません。多くの人にとって、今日は「知らないうちに設定が変わった日」になっているはずです。
xAIに限った話ではありません。ChatGPTのAPIにも、Geminiのモデルにも、同様の「エイリアスは常に最新版を指す」という設計は存在します。便利さの裏側で、価格改定や挙動の変化が自動的に降ってくるという構造そのものは、音声に限らずAPIでAIを組み込んでいるすべての開発者が抱えているリスクです。
性能の数字については、24言語・数千フレーズという評価規模は決して小さくありませんが、あくまでxAI自身が実施したテストです。約10倍という騒音下での差は、コールセンター向けの用途であれば無視できない訴求点になりえますが、第三者による再現がまだない以上、導入判断の根拠を1社の発表だけに置くのは避けたいところです。
次にxAIが何かのエイリアスを自動で切り替える日が来たとき、今日の請求書を覚えているかどうかが、そのときの対応を分けます。
Section 07
まとめ
2026年8月5日、xAIの音声API既定モデル「grok-voice-latest」が、Think Fast 1.0からThink Fast 2.0へ自動的に切り替わりました。事前に旧モデルを明示的に指定していない限り、開発者側の操作なしに移行が完了しています。
性能面では、最初の応答までの時間が1.25秒から0.70秒に短縮され、他社の音声認識モデルと比べた精度は1.5〜2.0倍、騒がしい環境では約10倍まで差が広がるとxAIは説明しています。一方で料金は音声1分あたり0.05ドルから0.08ドルへ、6割値上がりしました。
これらの数値は2026年7月29日のxAI発表に基づくものです。応答速度の短縮は独立系ベンチマークArtificial Analysisでも確認されていますが、他社モデルとの精度差はxAI自身の評価にとどまります。旧モデルのまま使い続けたい場合は `grok-voice-think-fast-1.0` を明示的に指定する必要があります。
音声AIを使ったサービスを運用しているなら、今日の請求書と応答速度の両方を確かめておく価値があります。同じ7月末には、xAIのテキストモデル側でもGrok 4.6・4.7の投入時期が予告されていました。あわせて動きを追っておきたい人は、以下も参考にしてください。