xAI發佈Grok Voice Think Fast2.0，語音識別與智能體能力全面升級

xAI 於 2026 年 7 月 30 日正式推出新一代語音識別模型 Grok Voice Think Fast 2.0，鎖定開發語音智能體（Agent）的開發者族群。該模型在智慧水平、語音轉錄準確率、對話流暢度以及工具調用效率等面向均有顯著升級，定價為每分鐘音頻 0.08 美元。xAI 強調，開發者無需修改任何現有提示詞，即可在多數應用場景中直接感受到效能提升，降低採用門檻。根據 Artificial Analysis 語音識別基準測試結果，Grok Voice Think Fast 2.0 的綜合得分達到 82.9%，明顯優於前一代 Think Fast 1.0 的 75.

7%，同時也超越 OpenAI 的 GPT-Realtime-2.1（79.1%）以及 Google 的 Gemini 3.1 Flash（69.5%）。在專門衡量智能體能力的評分項目中，Think Fast 2.0 獲得 56.5%，領先 Think Fast 1.0 的 52.1%、GPT-Realtime-2.1 的 45.7% 以及 Gemini 3.1 Flash 的 37.7%，展現出更強的自主決策與任務執行潛力。回應速度方面，Think Fast 2.0 的首次音頻播放時間從前代的 1.25 秒大幅縮減至 0.70 秒，幾乎快了一倍，有助於打造更即時、自然的語音互動體驗。

xAI 針對 24 種語言的大量語音片段進行轉錄測試，官方數據顯示，相較於 Deepgram Nova 3 與 ElevenLabs Scribe v2，Think Fast 2.0 的轉錄準確率提升約 1.5 至 2 倍；與上一代模型相比，則提升約 1.4 倍。特別是在背景噪音干擾、電話壓縮等複雜環境下，xAI 指出兩者之間的準確率差距更可擴大至約 10 倍，凸顯該模型在真實場景下的強健性。技術架構上，Think Fast 2.0 支援語音並行推理，能有效減少等待時間，提升多步驟複雜任務的處理效率。相較於前代，其推理標記使用量中位數下降至 0.

4 次，使得工具調用往往能在智能體完成第一句回覆前就執行完畢，進一步加速整體流程。此外，xAI 透過強化學習優化模型的對話策略，讓模型傾向於採用更簡短的回答、一次只處理一個問題，並盡量減少無效資訊輸出，以更好地支援複雜工作流程與多輪對話。xAI 表示，此次升級主要聚焦於真實業務場景中語音智能體的可靠性提升。目前 Grok Voice 已在 Starlink 電話服務中進行 A/B 測試，初步結果顯示能有效提升銷售轉化率以及客服回應效率，驗證了該模型在商業應用中的潛力。

按照規劃，2026 年 8 月 5 日起，grok-voice-latest 別名將自動從 grok-voice-think-fast-1.0 切換至 grok-voice-think-fast-2.0，若開發者仍需使用舊版本，必須提前鎖定 1.0 版本的標識符，其餘用戶則無需額外操作。隨著 AI Agent 逐步滲入客服、銷售、辦公等實際應用場景，低延遲、高準確率且能協作多種工具的語音模型，正成為下一階段智慧互動的關鍵基礎。xAI 本次推出的 Think Fast 2.0 不僅在數據上展現競爭力，更透過實際部署驗證其商業價值，有望加速語音智能體從概念驗證走向大規模落地。