xAI/SpaceXAI zaprezentowało 29 lipca 2026 roku Grok Voice Think Fast 2.0 – nową generację natywnego modelu speech-to-speech. Producent deklaruje poprawę inteligencji, transkrypcji, korzystania z narzędzi i dynamiki rozmowy. W opublikowanych wynikach Artificial Analysis model osiągnął 82,9% w Speech-to-Speech Quality Index, wobec 75,7% poprzedniej wersji, a czas do pierwszego audio skrócono do około 0,70 s.
Jeśli interesują Cię agenci telefoniczni, ta premiera jest bezpośrednim rozwinięciem wcześniejszych zmian w Grok Voice. Model jest dostępny przez API, a alias grok-voice-latest został zaplanowany do automatycznego przełączenia na wersję 2.0 od 5 sierpnia. Warto więc zestawić ten news z naszym materiałem o Grok Voice Agent Builder, bo pokazuje, gdzie taki model faktycznie trafia produkcyjnie.
- Co poprawiono w Think Fast 2.0?
- Speech-to-speech zamiast klasycznego voicebota
- Do czego służy Grok Voice Think Fast 2.0?
Co poprawiono w Think Fast 2.0?
xAI wskazuje kilka obszarów jednocześnie: reasoning na podstawie mowy, transkrypcję, full duplex, niezawodność tool calling oraz czas reakcji. Szczególnie ciekawa jest informacja, że model rozumuje równolegle z mówieniem. Zamiast najpierw „przemyśleć” całą odpowiedź i dopiero później rozpocząć mowę, może przygotowywać kolejne kroki już podczas wypowiedzi.
| Metryka podana przez xAI | Think Fast 2.0 | Think Fast 1.0 |
|---|---|---|
| Speech-to-Speech Quality Index | 82,9% | 75,7% |
| Full Duplex Bench | 95,1% | 77,8% |
| τ-voice Bench | 56,5% | 52,1% |
| Time to First Audio | 0,70 s | 1,25 s |
To wyniki przytoczone przez producenta na podstawie Artificial Analysis, więc należy traktować je jako materiał porównawczy, a nie uniwersalny werdykt o „najlepszym voice AI”. Niezależne benchmarki Speech Agent Arena również pokazują jednak Grok Voice Think Fast 2.0 jako jednego z mocniejszych systemów pod względem skutecznego wykonywania zadań.
Speech-to-speech zamiast klasycznego voicebota
Klasyczny voicebot często działa jako łańcuch: speech-to-text rozpoznaje mowę, LLM przygotowuje odpowiedź, a text-to-speech generuje dźwięk. Grok Voice jest budowany jako natywny system speech-to-speech. Taka konstrukcja pozwala lepiej zachować informacje zawarte w tonie i rytmie mowy oraz ograniczyć opóźnienia powstające pomiędzy kolejnymi usługami.
- Full duplex – agent może słuchać w trakcie własnej wypowiedzi i reagować na przerwanie.
- Tool use – model może podczas rozmowy wykonywać działania w zewnętrznych systemach.
- Transkrypcja – rozpoznawanie mowy jest częścią tego samego stosu głosowego.
- Reasoning podczas mowy – kolejne kroki mogą być planowane równolegle z wypowiedzią.
- Telefonia – model jest kierowany m.in. do produkcyjnych agentów obsługujących połączenia.
Wcześniej xAI rozszerzyło też pulę głosów. Jeśli interesuje Cię sama synteza i personalizacja mowy, zobacz materiał Grok Voice dostaje 21 nowych głosów. Think Fast 2.0 dotyczy jednak bardziej logiki rozmowy niż samego brzmienia.
Do czego służy Grok Voice Think Fast 2.0?
Najbardziej oczywistym zastosowaniem są agenci telefoniczni. Model ma działać w sytuacjach, gdzie liczy się nie tylko odpowiedź, ale szybkość reakcji, przerwania, szum, kompresja telefoniczna i korzystanie z narzędzi podczas rozmowy. xAI podaje, że testowało wersję 2.0 m.in. na telefonicznym systemie sprzedaży i wsparcia Starlink.
| Zastosowanie | Dlaczego ten model pasuje |
|---|---|
| AI do call center | Niska latencja, telefonia, transkrypcja i tool calling. |
| Agent głosowy AI | Prowadzenie wieloetapowej rozmowy i wykonywanie działań. |
| AI do obsługi klienta | Rozmowy w szumie i środowisku telefonicznym. |
| Voice AI do sprzedaży | Płynna rozmowa, kwalifikacja potrzeb i integracja z systemami. |
Naturalna rozmowa to dopiero połowa problemu
Najważniejszy kierunek rozwoju voice AI nie polega już wyłącznie na „ludzkim brzmieniu”. Model głosowy musi jednocześnie rozumieć intencję, działać w czasie rzeczywistym, korzystać z narzędzi i faktycznie kończyć zadanie. Dlatego warto dalej śledzić tematy AI do rozmów telefonicznych, speech-to-speech AI, full duplex voice AI, najlepszy model AI do call center i agent głosowy AI do obsługi klienta.
Źródła
Artykuł opracowano na podstawie oficjalnego komunikatu i release notes xAI/SpaceXAI oraz niezależnych benchmarków Artificial Analysis dotyczących agentów speech-to-speech.
