Grok Voice Think Fast 2.0の使い方｜1.0から自動切替で料金6割増？確認・固定手順【2026年8月】
Grok Voice APIをAI電話や音声エージェントに組み込んでいる方は、直近の請求額を一度確認してください。2026年8月5日付けで、コードを1行も変えていないのにモデルの中身と単価が入れ替わっている可能性があります。
この記事では、Grok Voice Think Fast 2.0で何が変わったのか、料金はいくら増えるのか、今すぐ確認すべきことは何かを、手順と試算表つきで整理します。価格・仕様の確認日はすべて2026-08-11です。
結論｜8月5日にgrok-voice-latestの中身が入れ替わった
まず結論から。デフォルトエイリアスのgrok-voice-latestは2026年8月5日付けでgrok-voice-think-fast-2.0を指すように自動的に切り替わりました（xAI Release Notes、2026-08-11確認）。
変わったのは次の3点です。速度と精度は上がり、そのぶん単価も上がりました。
- 速度: 最初の音声応答までのレイテンシが1.25秒→0.70秒に短縮
- 精度: 文字起こし精度がThink Fast 1.0比で1.4倍（xAI発表）
- 料金: 音声$0.05/分→$0.08/分（+60%）
つまり「モデル名をエイリアスで書いていた人は、何もしていないのに単価が6割上がっている」状態です。今日やることは2つだけ。①自分のコードがgrok-voice-latestを使っているか棚卸しする、②2.0を使い続けるか1.0に固定するかを決める。具体的な手順は後述します。
出典: Unsplash
Grok Voice Think Fast 2.0とは｜1.0との違いを比較
xAIは「Grok Voice Think Fast 2.0」を2026年7月29日（現地時間）に発表しました。前身のThink Fast 1.0は2026年4月リリースなので、約3ヶ月での大幅アップデートです（TestingCatalog）。
主な差分を表にまとめます。ベンチマーク値はxAIおよびArtificial Analysisの公表値で、いずれも二次情報経由の確認です。
| 項目 | Think Fast 1.0 | Think Fast 2.0 |
|---|---|---|
| モデルID | grok-voice-think-fast-1.0 |
grok-voice-think-fast-2.0 |
| 最初の音声応答まで | 1.25秒 | 0.70秒 |
| 文字起こし精度 | 基準 | 1.0比 約1.4倍 |
| speech-to-speech総合スコア | 75.7% | 82.9% |
| エージェント性能スコア | 52.1% | 56.5% |
| 音声料金 | $0.05/分（$3.00/時） | $0.08/分（$4.80/時） |
| テキスト入力 | $0.004 | $0.004 |
料金はxAI公式モデルページで確認した値です（2026-08-11時点）。表中の2つのスコアはArtificial Analysisのspeech-to-speechベンチマークによるもので、「総合スコア」は音声対話全体の応答品質、「エージェント性能スコア」はタスクをどれだけ正しくこなせたかを評価した指標です。スコアはCryptoBriefing経由のArtificial Analysis計測で、同ベンチマークではGPT-Realtime-2.1（79.1%）やGemini 3.1 Flash（69.5%）を上回ったとされています。
精度面でxAIが強調しているのは、24言語での文字起こし評価です。Deepgram Nova 3・ElevenLabs Scribe v2に対して1.5〜2.0倍、背景ノイズ環境下では既存モデル比で約10倍の精度差が出たと説明されています（BigGo Finance）。日本語を含む24言語に対応していると報じられています。
騒音のある店内や屋外からの電話が多い業務ほど、この差は効いてきます。逆に静かな環境の社内利用なら、1.0でも実用上の差は小さい可能性があります。
今すぐやる自動切替チェックリスト
ここからが実務パートです。3ステップで、影響範囲の確認からコスト試算、1.0への固定までを済ませます。
ステップ1：grok-voice-latestを使っている箇所を洗い出す
リポジトリと環境変数を横断で検索します。ハードコードだけでなく、.envやSecrets Manager、管理画面の設定値にも入っていることが多いので漏らさないようにしてください。
grep -rn "grok-voice-latest" . --include="*.py" --include="*.ts" --include="*.js" --include="*.env*"ヒットが1件でもあれば、その経路は8月5日以降すでに2.0で課金されています。ヒットが0件でも、grok-voice-think-fast-2.0を明示指定していないか併せて確認しましょう。
ステップ2：月額でいくら増えるか試算する
差額は1分あたり$0.03です。自分の月間通話分数を当てはめて確認してください。円換算は1ドル約150円（$0.08＝約12円との報道値ベース）で概算しています。
| 月間通話時間 | 1.0での費用 | 2.0での費用 | 差額（月） |
|---|---|---|---|
| 10時間（600分） | $30 | $48 | +$18（約2,700円） |
| 30時間（1,800分） | $90 | $144 | +$54（約8,100円） |
| 100時間（6,000分） | $300 | $480 | +$180（約27,000円） |
| 500時間（30,000分） | $1,500 | $2,400 | +$900（約135,000円） |
毎日1時間の通話を処理する運用（月30時間）で月$54前後の増加、という試算はnoteの実務者記事でも同水準で示されています。なお、Voice Agent Builder（xAIが提供する音声エージェント構築ツール）経由で電話接続を使う場合は1分$0.01が追加されると報じられていますが、公式料金ページでは直接確認できていません。
ステップ3：1.0に固定するならモデル名を書き換える
旧モデルは価格表に残っているため、明示指定すれば$0.05/分のまま動きます。エイリアスをやめて、モデル名を直接ピン留めするだけです。
- "model": "grok-voice-latest"
+ "model": "grok-voice-think-fast-1.0"判断基準はシンプルです。騒音環境・多言語・応答速度が売上に直結する用途なら2.0、静かな環境の社内利用や大量処理でコストが効く用途なら1.0。迷ったら、まず1.0に固定してから2.0でA/Bテストするのが安全です。
Grok Voice APIの使い方｜キー取得から接続まで
これから導入する場合の流れも押さえておきましょう。Grok VoiceはOpenAI互換のエンドポイントを持ち、WebSocket経由で音声を送受信する設計です（参考: xAI APIキー取得手順の解説）。
- xAI Cloud Console（console.x.ai）でアカウント作成
- クレジットを購入（従量課金のため事前チャージが必要）
- APIキーを発行し、
XAI_API_KEYとして安全に保管する - 疎通確認：エンドポイント
https://api.x.ai/v1にAuthorization: Bearer <APIキー>を付けてリクエストする
OpenAI互換なので、既存のOpenAIクライアントSDKを使っている場合はベースURLとAPIキー、モデル名の3つを差し替えるだけで動かせる構成になっています。ここでモデル名にgrok-voice-latestを入れてしまうと、また同じ自動切替の影響を受けます。新規実装の時点からバージョンを明示指定するのが鉄則です。
出典: Unsplash
実務ワークフロー例と月額コストの目安
単価が分単位なので、コストは「月間通話分数」だけで概算できます。導入検討でよくある3パターンを挙げます。
予約受付のAI電話（飲食店・クリニック）
1件3分の予約電話が1日20件なら、月間1,800分。2.0で$144、1.0なら$90です。営業時間外の取りこぼしを1件でも拾えれば回収しやすい水準ですが、店内BGMや厨房の音が入る環境ではノイズ耐性の高い2.0が向きます。
カスタマーサポートの一次受付
1件5分の問い合わせ対応が1日20件なら、月間3,000分。2.0で$240、1.0なら$150で、差額は月$90です。xAIはStarlinkの電話サービスでThink Fast系モデルをA/Bテストし、営業問い合わせの一部で通話中の購入コンバージョンが向上し、サポート問い合わせの多くが人間対応なしで解決したと報告しています（具体的な数値は情報源により異なるため、「改善が報告されている」以上の断定は避けます）。多言語対応の問い合わせが多い、または一次受付だけで完結させたい場合は2.0の精度向上が効きますが、定型的なFAQ対応が中心で通話量が多いなら、まず1.0でコストを抑えて運用し、必要に応じて2.0を試す進め方も現実的です。
営業電話のリアルタイム文字起こし・要約
通話内容の記録と要約が目的なら、応答レイテンシの重要度は下がります。この用途は0.70秒の速度メリットを活かしきれないため、コスト優先で1.0にピン留めする判断もあり得ます。文字起こし精度を重視するなら2.0、という切り分けです。
OpenAI Realtime・Gemini Liveとの料金比較
「そもそもGrokを使い続けるべきか」も、この機会に検討しておきましょう。主要な音声対話APIの料金は以下のとおりです（すべて2026-08-11時点）。
| サービス | 音声料金 | 特徴 |
|---|---|---|
| Grok Voice Think Fast 2.0 | $0.08/分 | 応答0.70秒。ノイズ耐性を強く訴求 |
| Grok Voice Think Fast 1.0 | $0.05/分 | 応答1.25秒。明示指定で継続利用可 |
| OpenAI gpt-realtime-2.1 | 音声入力$32／出力$64（百万トークン） | 実測で概算$0.06〜$0.11/分 |
| Google Gemini 3.1 Flash Live | 音声入力$3／出力$12（百万トークン） | 概算で入力$0.005・出力$0.018/分 |
OpenAIの分単位換算は4,000セッションの実測データに基づく概算で、プロンプトキャッシュの有無で変動します。Geminiの単価はGoogle公式の料金ページの値です。
選び方の目安はこうなります。
- コスト最優先・大量処理 → Gemini Live（桁が一つ違う安さ）
- 騒音環境の電話業務・多言語 → Grok Voice Think Fast 2.0
- 既存のOpenAIエコシステムに統合済み → gpt-realtime-2.1
- 既存のGrok構成のまま費用を抑えたい → Think Fast 1.0にピン留め
トークン課金と分課金は単純比較しづらいため、乗り換えを検討するなら自社の実通話ログで1週間ぶんの実測を取るのが確実です。
制限・注意点
最後に、判断を誤りやすいポイントを挙げておきます。
- 料金と仕様の更新が速い：xAIはモデルと価格を頻繁に更新します。導入前に必ず公式モデルページとリリースノートで最新値を確認してください。
- エイリアス依存はコスト事故になる：本番環境では
-latest系のエイリアスを避け、バージョンをピン留めしたうえで更新を意図的に行う運用が安全です。 - 入力長や商用利用条件は要確認：一部の解説記事にある「音声入力は最大30秒」「商用利用は非推奨」といった記述は旧世代のGrok Voice APIベータについての言及の可能性が高く、Think Fast 2.0に適用されるかは確認できていません。商用導入前に利用規約を直接確認してください。
- ベンチマーク値は自社発表を含む：精度・スコアの多くはxAIの発表を引用したものです。自社の音声データで小規模に検証してから本格投入することをおすすめします。
まとめ
2026年8月5日の自動切替で、grok-voice-latestの中身はThink Fast 2.0（$0.08/分）に入れ替わりました。応答0.70秒・文字起こし1.4倍という性能向上と引き換えに、単価は6割上がっています。
今日やることは1つで十分です。grok-voice-latestを使っている箇所を検索し、2.0で続けるかgrok-voice-think-fast-1.0に固定するかを決めること。月30時間の運用なら判断ひとつで年間$648前後の差になります。
そのうえで、料金は変動するためxAI公式のモデル一覧で最新価格を確認してから本番反映してください。
