はじめに
xAIは2026年7月6日、音声AIサービス「Grok Voice」に新たな音声21種を追加したと発表しました。既存5種と合わせ、サポートやキャラクター、教育など用途別に設計された音声が利用可能になったほか、既存音声の自然さも向上しています。本稿では、この新機能の内容と活用方法について解説します。
参考記事
- タイトル: 21 New Flagship Grok Voices
- 発行元: xAI
- 発行日: 2026年7月6日
- URL: https://x.ai/news/new-flagship-voices
関連記事
要点
- xAIは既存5種の音声に加え、新たに21種のフラッグシップ音声をGrok Voiceへ追加した
- 新音声はサポート、キャラクター、実況、広告、教育などの用途別に設計されている
- 全音声が25以上の言語に対応し、[pause]や<whisper>などのスピーチタグで話し方を制御できる
- 既存5種の音声(Ara、Eve、Leo、Rex、Sal)も再学習により自然さが向上した
- Voice Agent API、Text to Speech API、新設のGrok Voice Agent Builderから利用可能である
詳細解説
用途別に設計された21種の新音声
xAIによれば、今回追加された21種の新音声はそれぞれ特定の用途を想定してキャスティングされています。サポート対応、キャラクター演技、実況・解説、広告、教育といった具体的な役割に応じて声質や話し方が作り込まれており、たとえばサポート向けの音声「Carina」では、落ち着いたトーンで問題解決を伝える発話サンプルが公開されています。
用途別に音声を使い分けられる点は、カスタマーサポートや教育コンテンツなど、シーンごとに求められる印象が異なる業務での実用性を高めると考えられます。一つの音声モデルですべてを賄うのではなく、目的に応じた「声のキャスティング」ができる点が、この分野で近年重視されてきた方向性と重なっていると言えます。
多言語対応とスピーチタグによる表現制御
新音声はすべてネイティブに多言語対応しており、Grok Voiceが元々サポートする25以上の言語で利用できるとされています。また、[pause]や<emphasis>、<whisper>といった「スピーチタグ」を文中に挿入することで、間の取り方や強調、ささやくような発話など、抑揚を細かく制御できる仕組みも用意されています。
スピーチタグは、テキストの読み上げに演技的なニュアンスを加えるための指示記号で、単に文章を読み上げるだけでなく、感情や間合いを伴った自然な会話を再現しやすくする技術だと考えられます。多言語対応と組み合わせることで、グローバル展開するサービスでも一貫した音声体験を設計しやすくなると考えられます。
既存音声の自然さ向上
新音声の追加と同時に、既存の5種の音声(Ara、Eve、Leo、Rex、Sal)についても再学習が行われ、間の取り方や言い回し、強調のニュアンスがより自然になったとxAIは説明しています。
音声合成における「自然さ」は、抑揚やリズムといった韻律(プロソディ)の精度に大きく左右されます。既存モデルの改善は新規機能の追加ほど目立ちにくいものの、日常的に利用しているユーザーにとっては体感しやすい変化になると考えられます。
利用方法:Voice Agent BuilderとCustom Voices
新旧すべての音声は、リアルタイムのVoice Agent API、Text to Speech API、そして新たに用意されたGrok Voice Agent Builderから利用できます。xAIのコンソール上でVoice Agent Builderを使えば、これらの音声をもとにカスタム音声エージェントを構築することが可能です。Voice Agent Builderについては、コード不要で音声AIエージェントを構築できる機能として過去記事でも紹介しました。
また、約1分間の音声データから自分自身の声を複製する「Custom Voices」機能も引き続き利用でき、音声クローンの仕組みについては過去記事でも詳しく解説しています。今回の新音声は、既存のクローン機能や音声APIと組み合わせて使える設計になっており、既に構築済みの音声エージェントにも組み込みやすいと考えられます。
まとめ
xAIはGrok Voiceに21種の新音声を追加し、既存5種も含めて用途別・多言語対応の音声ラインナップを拡充しました。スピーチタグによる細かな表現制御も可能で、サポートや教育などの実務利用が広がりそうです。Grok Voiceの音声API全般については過去記事でも整理していますので、あわせてご覧いただければと思います。
