Grok Voice Think Fast 2.0 릴리스 노트

xAI는 음성 추론, 전사 정확도 및 대화 유동성을 개선하기 위해 설계된 차세대 음성 모델인 Grok Voice Think Fast 2.0을 발표했습니다. 이 모델은 지능과 실제 성능 모두에서 이전 버전 및 경쟁 음성-대-음성(speech-to-speech) 모델을 능가하도록 구축되었습니다.

지능 및 벤치마크

Grok Voice Think Fast 2.0은 음성 추론 및 에이전트 성능에서 상당한 향상을 보여줍니다. Artificial Analysis의 데이터에 따르면, 이 모델은 Overall AA Speech-to-Speech Quality Index에서 82.9%를 달성하여 GPT-Realtime-2.1 (High)의 79.1%와 Gemini 3.1 Flash (High)의 69.5%를 능가했습니다.

주요 성능 지표는 다음과 같습니다:

• Speech Reasoning (Big Bench Audio): 97.2%
• Conversational Dynamics (Full Duplex Bench): 95.1%
• Agentic Performance (τ-voice Bench): 56.5%, 비교된 모델 중 가장 높으며, GPT-Realtime-2.1 (45.7%) 및 Gemini 3.1 Flash (37.7%)를 포함합니다.
• Latency: Time to First Audio는 0.70s로, Grok Voice Think Fast 1.0 (1.25s) 및 Gemini 3.1 Flash (2.98s)보다 현저히 빠릅니다.

실제 환경에서의 전사 정확도

Grok Voice Think Fast 2.0은 전용 최첨단 전사 모델을 능가하는 전사 정확도를 제공합니다. 24개 언어와 수천 개의 짧은 문구에 대한 평가에서, 이 모델은 Deepgram Nova 3 및 ElevenLabs Scribe v2보다 1.5–2.0배 개선되었으며, 이전 버전보다 1.4배 개선되었습니다.

성능 향상은 까다로운 환경에서 가장 두드러집니다. Grok Voice Think Fast 2.0과 전용 음성-텍스트(speech-to-text) 모델 간의 정확도 격차는 소음이 있는 환경, 특히 배경 소음 및 전화 압축이 포함된 환경에서 약 10배까지 벌어집니다.

병렬 추론 효율성

기존의 음성-대-음성 모델과 달리, Grok Voice Think Fast 모델은 말하는 동시에 쿼리를 통해 추론합니다. 이러한 병렬 추론을 통해 모델은 지연 시간을 늘리지 않고도 더 지능적으로 동작할 수 있습니다.

Grok Voice Think Fast 2.0은 추론 토큰 사용에 있어 훨씬 더 효율적입니다. Grok Voice Think Fast 1.0과 비교했을 때 응답당 추론 토큰(P50)을 0.4배만 사용합니다. 실제 운영 환경에서는 이러한 효율성 덕분에 도구 호출(tool calls)이 더 빨라지며, 이는 일반적으로 에이전트가 첫 문장을 마치기 전에 실행됩니다.

대화 능력 및 RL Training

대화 유동성을 개선하기 위해, xAI는 광범위한 강화 학습(reinforcement learning)을 사용하여 모델을 실제 인간의 대화 패턴에 맞추었습니다. 이 훈련을 통해 모델은 더 짧은 문장으로 말하고, 한 번에 하나의 질문만 하며, 불필요한 군더더기를 피하게 됩니다. 이를 통해 모델은 단순하고 유동적인 사용자 경험을 유지하면서 복잡한 워크플로우를 안내할 수 있습니다.

마이그레이션, 가격 책정 및 배포

2026년 8월 5일에 grok-voice-latest 별칭은 버전 1.0에서 2.0으로 자동 전환됩니다. 버전 1.0을 계속 사용하고자 하는 사용자는 해당 날짜 이전에 구현을 grok-voice-think-fast-1.0으로 고정해야 합니다.

Pricing: Grok Voice Think Fast 2.0의 가격은 오디오 1분당 $0.08입니다.

Real-world Impact: Starlink 서비스에 대한 A/B 테스트 결과, 이 모델의 배포는 판매 전환율과 고객 지원 유지율(support containment rates)의 상당한 증가를를 가져왔습니다.