xAI hat am 29. Juli Grok Voice Think Fast 2.0 veröffentlicht und es als sein bisher leistungsfähigstes Speech-to-Speech-Stimmmodell positioniert. Das Modell erzielte auf dem allgemeinen Speech-to-Speech-Qualitätsindex von Artificial Analysis 82,9 % und übertraf damit GPT-Realtime-2.1 High (79,1 %) und Gemini 3.1 Flash High (69,5 %).
Zu den wichtigsten Verbesserungen gehören eine Zeitzurstersten-Audio von nur 0,70 Sekunden (gegenüber 1,25 s in Version 1.0), eine 95,1 %ige Bewertung der Konversationsdynamik (gegenüber 77,8 %) und eine 56,5 %ige Agentenleistung gegenüber 45,7 % für GPT-Realtime. Bei der Transkriptionsgenauigkeit beansprucht xAI eine 1,5–2-fache Verbesserung gegenüber Deepgram Nova 3 und ElevenLabs Scribe v2, die in lauten Umgebungen auf ~10x ansteigt.
Das Modell verwendet einen einzigartigen Ansatz, bei dem es Abfragen spricht und gleichzeitig durchdenkt, sodass Tool-Calls ausgeführt werden können, bevor der erste Satz endet. Bei A/B-Tests im Starlink-Kundensupport (+1 888 GO STARLINK) zeigten sich signifikante Steigerungen bei sowohl der Verkaufsumwandlungsrate als auch der Support-Containing-Rate.
Grok Voice Think Fast 2.0 kostet 0,08 US-Dollar pro Minute Audiomaterial und wird am 5. August zum Standard-Stimmmodell, wenn der Alias grok-voice-latest von 1.0 auf 2.0 umgestellt wird.
