xAI Voice Agent Builder ベータ版リリース

xAIは、Grok Voiceを使用してプロダクション環境向けの音声エージェントを構成できる、ノーコードプラットフォームであるVoice Agent Builderをベータ版として導入しました。このプラットフォームは、電話技術、知識検索、ツール、ガードレール、およびオブザーバビリティを単一のインターフェースに統合することで、複雑な周辺スタックをゼロから構築する必要性を排除します。

ネイティブなSpeech-to-Speechアーキテクチャ

Voice Agent Builderは、音声からテキストへ、言語モデル、テキストから音声へという3つの個別のAPIを繋ぎ合わせる従来の方法ではなく、Grok Voiceのために構築されたspeech-to-speechパスを利用します。モデルを音声パスに密接に結合することで、xAIは、マルチプロバイダーAPIホップに関連するコスト、レイテンシ、および失敗モードを削減することを目指しています。

複雑な通話におけるパフォーマンス・ベンチマーク

低品質なオーディオ、背景ノイズ、強いアクセント、および割り込みといった、現実世界の電話技術の課題に対処するため、Grok Voiceは高難易度の通話でトレーニングされています。パフォーマンスは、これらの条件をシミュレートするτ-voice Benchを通じて測定されます。xAIのリーダーボードによると、Grok Voice Think Fast 1.0は67.3%のスコアを達成し、Gemini 3.1 Flash Live (43.8%)およびGPT Realtime 1.5 (35.3%)を大幅に上回っています。

エージェントの構成と機能

ユーザーは、通話フローの自然言語による説明を提供し、必要なリソースを添付することで、約2分で動作するエージェントをデプロイできます。

知識ベースと検索

エージェントは、Markdown、プレーンテキスト、Word、PowerPoint、Excel、HTML、およびJSONを含む形式のドキュメントをアップロードできる知識ベースに基づいています。これらのドキュメントはコレクションに整理され、ポリシーや製品仕様を複数のエージェント間で共有して一貫性を確保することができます。

ツール統合と実行能力

エージェントは、ツールやコネクタを通じてアクションを実行でき、以下のことが可能になります：

• Google CalendarまたはOutlook Calendarを介した予約のスケジューリング。
• メールプロバイダーを介した確認メールの送信。
• APIリクエストを介した注文ステータスの確認または返金処理。
• Web検索またはX searchを使用して、現在の公開情報を取得。
• LinearまたはNotionでチケットを管理。
• Google DriveまたはOneDriveからファイルにアクセス。
• 人間のチームメンバーへの電話転送、または通話をクリーンに終了。

音声のカスタマイズと電話技術

エージェントは、組み込みの音声、または2分間のオーディオから作成されたカスタムブランドボイスのクローンを利用できます。接続オプションには、無料で提供される電話番号、主要な電話技術プロバイダーからの既存番号に対する直接SIP接続、またはWebSocketを介したブラウザベースのテストが含まれます。

オブザーバビリティとガードレール

すべての通話は録音および文字起こしされ、スクリプト外のトピックについて話したり、クレジットカード番号を読み上げたりといった、エージェントが禁止されたアクションを実行することを防ぐためのガードレールが含まれています。これにより、オペレーターはオーディオを確認し、文字起こしを読み、ツールの使用状況を検査することができます。

価格モデル

Voice Agent Builderは、音声1分あたり0.05ドルのAPIレートで請求され、音声が含まれており、別途プラットフォーム料金はかかりません。無料で提供される電話番号での電話技術利用は、1分あたり追加で0.01ドルかかります。