xAIは正式にGrok Voice Agent APIをリリースし、開発者にリアルタイムの音声インタラクティブ機能を開放しました。このAPIは、Grokの音声技術スタックに基づいて構築されており、モバイルアプリと数百万台のTesla車両で大量のユーザーにサービスを提供してきました。今後は世界中の開発者に全面的に公開されます。

最高のコストパフォーマンス：1分あたり0.05ドル  

Grok Voice Agent APIは、業界で最も優れたコスト効率を誇ります。シンプルで手頃な料金モデルを採用しており、1分間の接続時間に対して0.05ドルです。この価格は主流の競合製品よりも顕著に低く、開発者が最低限のコストで高性能な音声アプリケーションを構築するのを支援します。

オーディオ推論ベンチマークで第1位  

権威あるオーディオ推論ベンチマークであるBig Bench Audioにおいて、Grok Voice Agent APIは第1位を記録しています。このAPIの平均初回オーディオ応答時間は1秒未満で、最も近い競合製品より約5倍速く、優れたリアルタイム応答と推論能力を示しています。

コア機能一覧  

- リアルタイムの双方向音声通信：ストリーミング音声入出力をサポートし、低遅延で自然な会話体験を実現します。

- 複数言語対応：中国語を含む数十種類の言語（公式には100種以上）をカバーし、本格的な発音、口調、訛り、方言の認識能力を持っています。

- 自動言語識別と切り替え：設定なしでもユーザーの言語を自動検出し、スムーズに切り替えることができます。開発者はシステムプロンプトを通じて応答言語を指定することも可能です。

- 外部ツールの呼び出し：カスタムツールを簡単に統合したり、xAIのリアルタイム検索機能に接続したりできます。ネットワークおよびXプラットフォームのデータをカバーしています。

- 実際にインターネット上の検索と推論：会話中に情報を即時に照会し、複雑な推論を行うことができます。

- 感情プロンプトによる音声制御：プロンプトによって音声の感情表現を調整し、インタラクションの自然さを向上させます。

- 多様なボイストーンの選択：Sal、Rex、Eve、Leoなどの人気キャラクター、またはMika、Valentinなどのパートナー型人格など、多様なボイスオプションが利用できます。

- OpenAI Realtime API規格と互換性あり：既存のアプリケーションをシームレスに移行でき、xAI LiveKitプラグインをサポートし、迅速な統合が可能です。

将来の展望  

xAIはこのAPIが継続的に改善され、今後の数週間以内に独立したテキストから音声（TTS）および音声からテキスト（STT）エンドポイントをリリースし、さらに最適化されたオーディオモデルを導入して、発音の正確性と遅延性能を向上させる予定であると述べています。