2026年7月1日、x.aiはノーコードプラットフォーム「Voice Agent Builder」のベータ版を公開した。本プラットフォームは、Grok Voiceを活用した実用的な音声エージェントを構成するために設計されている。電話通信、知識検索、外部ツール連携、ガードレール（出力制限）、監視機能が単一のインターフェースに統合された。音声から音声へ直接変換する経路を採用することで、音声認識、大規模言語モデル、音声合成の各APIを個別に組み合わせる従来型の技術スタックに伴うコスト、レイテンシ、障害リスクを削減する。

ベースモデルのGrok Voiceは、低品質な音声や背景雑音、遮断的な発話、強いアクセントを含む25以上の言語に対応した過酷な実環境の通話シナリオで学習された。τ-voice Benchの評価において、Grok Voice Think Fast 1.0は67.3%のスコアを達成し、Gemini 3.1 Flash Liveの43.8%やGPT Realtime 1.5の35.3%を上回った。ユーザーは平易な説明文と関連ドキュメントを添付するだけでエージェントを構築でき、セットアップ所要時間は約2分を見込む。

音声エージェントはAPIやMCPサーバに接続することで、注文状況の確認、予約管理、LinearやNotionでのチケット管理といった外部アクションを実行できる。80以上の内蔵音声または2分間の音声サンプルから作成したブランドボイスを利用可能だ。価格は音声1分あたり0.05ドルで、提供番号での通話には1分あたり0.01ドルが加算される。すべての通話は記録および書き起こしが行われ、トピック制限や機密情報漏洩を防ぐガードレール機能も備わっている。

2026年7月1日、x.aiはノーコードプラットフォーム「Voice Agent Builder」のベータ版を公開した。本プラットフォームは、Grok Voiceを活用した実用的な音声エージェントを構成するために設計されている。電話通信、知識検索、外部ツール連携、ガードレール（出力制限）、監視機能が単一のインターフェースに統合された。音声から音声へ直接変換する経路を採用することで、音声認識、大規模言語モデル、音声合成の各APIを個別に組み合わせる従来型の技術スタックに伴うコスト、レイテンシ、障害リスクを削減する。

ベースモデルのGrok Voiceは、低品質な音声や背景雑音、遮断的な発話、強いアクセントを含む25以上の言語に対応した過酷な実環境の通話シナリオで学習された。τ-voice Benchの評価において、Grok Voice Think Fast 1.0は67.3%のスコアを達成し、Gemini 3.1 Flash Liveの43.8%やGPT Realtime 1.5の35.3%を上回った。ユーザーは平易な説明文と関連ドキュメントを添付するだけでエージェントを構築でき、セットアップ所要時間は約2分を見込む。

音声エージェントはAPIやMCPサーバに接続することで、注文状況の確認、予約管理、LinearやNotionでのチケット管理といった外部アクションを実行できる。80以上の内蔵音声または2分間の音声サンプルから作成したブランドボイスを利用可能だ。価格は音声1分あたり0.05ドルで、提供番号での通話には1分あたり0.01ドルが加算される。すべての通話は記録および書き起こしが行われ、トピック制限や機密情報漏洩を防ぐガードレール機能も備わっている。