스페이스XAI는 현지 시간 2026년 7월 29일, 음성 입력을 받아 음성으로 응답하는 ‘스피치 투 스피치’ 모델 “Grok Voice Think Fast 2.0”을 발표했다. 전화 응대나 고객 지원 등의 음성 에이전트 개발을 위한 API용 모델로, 음성 추론, 대화 능력, 음성 인식 정확도, 툴 활용의 신뢰성을 전 모델보다 개선했다는 설명이다.
이 모델은 이날부터 스페이스XAI의 “스피치 투 스피치 API”에서 이용 가능하다. API 상의 공식 모델명은 “grok-voice-think-fast-2.0”이다.
**대화 능력은 77.8%에서 95.1%, 최초 음성 시작까지 0.70초**
AI 모델의 성능 평가를 담당하는 인공 분석(Artificial Analysis)의 “스피치 투 스피치” 평가에서, Grok Voice Think Fast 2.0의 종합 지표인 “스피치 투 스피치 품질 지수(Speech-to-Speech Quality Index)”는 82.9%를 기록, 전 모델의 75.7%를 상회했다.
대화 중, 끼어들기, 맞장구 등 반응에 대한 대응을 측정하는 대화 능력 점수는 전 모델의 77.8%에서 95.1%로 상승했다. 고객 지원 업무에서 툴을 사용하여 작업을 완료하는 성능은 52.1%에서 56.5%로 개선되었다.
반면, 음성으로 제시된 문제에 대한 추론 능력은 97.1%에서 97.2%로 소폭 개선되었다. 음성을 생성하는 데 걸리는 시간은 1.25초에서 0.70초로 단축되었다.
인공 분석의 “스피치 투 스피치 지수”는 음성 추론, 대화 성능, 에이전트 성능을 가중 평균한 종합 지표로, Grok Voice Think Fast 2.0은 82.9%를 기록, 표시된 주요 모델 중 상위권에 위치했다.
**24개 언어의 독자 평가로 음성 인식 정확도 개선**
스페이스XAI는 24개 언어, 수천 건의 짧은 문구를 사용한 독자 평가를 통해 음성 인식 정확도가 전 모델 대비 1.4배 개선되었다고 설명하고 있다.
음성 인식 모델인 “딥그램 노바 3(Deepgram Nova 3)”과 “일레븐랩스 써브 v2(ElevenLabs Scribe v2)”와의 비교에서 1.5~2배의 개선을 확인했다고 한다. 배경 잡음이나 전화 회선으로 인한 음질 저하가 있는 환경에서는, 전용 음성 인식 모델과의 차이가 약 10배로 벌어진다고 설명했다.
**음성 출력을 내면서 추론, 툴 호출을 고속화**
Grok Voice Think Fast 시리즈는 응답 내용을 모두 생각한 후 말하기 시작하는 대신, 음성을 출력하면서 동시에 추론하는 설계를 채택하고 있다.
Grok Voice Think Fast 2.0에서는 응답에 사용되는 추론 토큰의 중앙값이 전 모델의 0.4배로 줄어들었다. 스페이스XAI에 따르면, 이를 통해 툴 호출이 고속화되어, 많은 경우 음성 에이전트가 첫 번째 문을 말하는 것보다 툴 실행을 시작할 수 있다.
대화 방식에 대해서도 강화 학습을 적용하여, 짧은 문장으로 말하는, 한 번에 하나의 질문을 하는, 불필요한 긴 설명을 피하는 등 인간 간의 대화와 유사한 응답을 목표로 했다.
**음성 1분당 0.08달러, 8월 5일에 표준 모델로 전환**
이용 요금은 음성 1분당 0.08달러, 텍스트 입력은 1 메시지당 0.004달러입니다. 이전 모델의 음성 요금은 1분당 0.05달러였으므로 Grok Voice Think Fast 2.0에서는 요금이 인상되었습니다.
최신 버전을 지칭하는 모델명 “grok-voice-latest”는 2026년 8월 5일에 Grok Voice Think Fast 1.0에서 2.0으로 전환될 예정입니다. “grok-voice-latest”를 사용하고 있다면 사용자 측에서 변경할 필요는 없습니다.
이전 모델을 지속적으로 사용하려면 전환 전에 모델명을 “grok-voice-think-fast-1.0”으로 고정해야 합니다.
원문 보기 | 출처: Ledge.ai