はじめに
xAIが2026年6月3日、音声AIプラットフォームのVapiとの提携を発表しました。Grok Voiceが同社の12種類のコアボイスを支えるデフォルトエンジンに採用され、250万件超のVapiエージェントに対して、より自然で感情表現豊かな音声体験が提供されます。
参考記事
- タイトル: Grok Becomes the Voice of Vapi
- 著者: xAI
- 発行元: xAI Blog
- 発行日: 2026年6月3日
- URL: https://x.ai/news/grok-vapi
関連記事
要点
- xAIのGrok VoiceがVapiの12種類のコアボイスにおけるデフォルト音声エンジンとして採用された
- Vapiが実施した独立・盲検評価のヘッドトゥヘッド比較において、Grok Voiceが競合プロバイダーを抑えて1位を獲得した
- X上の4,500人超を対象にしたポーリングでは、Grok Voice生成音声と人間の音声を正しく判別できた割合は50%にとどまった
- GrokのSTT（音声認識）とTTS（テキスト読み上げ）がVapiダッシュボードから利用可能になった
- カスタムボイスクローニングや独自統合向けの高度なカスタマイズ機能も提供されている
詳細解説
Vapiとの提携——250万エージェントへの展開
Vapiは、企業や開発者が電話・Webなどのチャネルに音声AIエージェントを構築できるプラットフォームです。現在250万件超のエージェントが稼働しており、カスタマーサポートや予約受付など幅広い業務自動化に活用されています。
今回の発表でxAIは、このVapiの12種類のコアボイスすべてのバックエンドにGrok Voiceを採用することを明らかにしました。VapiのユーザーはダッシュボードのドロップダウンからGrok Voiceを選択するだけで、既存のエージェントに即座に適用できます。
盲検評価で1位——人間との識別率50%
採用の背景には、Vapiが独自に実施した盲検評価があります。xAIによれば、複数のTTSプロバイダーをヘッドトゥヘッドで比較したアリーナ形式の評価でGrok Voiceが首位を獲得しました。
また、X上のポーリングでも注目すべき結果が示されています。4,500人超のユーザーが参加し、Grokが生成した音声クローンと人間の声をどちらか判断するよう求められたところ、正解率は50%——つまりランダムの推測と変わらないレベルでした。TTSの品質評価において「人間との識別困難性」は一つの目安とされており、この結果はGrok Voiceの自然さを示す指標と考えられます。
音声AIの評価では、単純な明瞭さだけでなく、感情のニュアンス・発話リズム・間の取り方なども品質を左右します。Grok Voiceはこうした総合的な自然さで高い評価を得たと思います。
開発者が使える新機能
Vapiとの統合に加え、今回の発表ではGrok VoiceのAPI直接利用に関する機能強化も案内されています。
VapiダッシュボードでのSTT・TTS提供については、音声認識（STT）とテキスト読み上げ（TTS）の両方がVapiダッシュボードから直接利用可能になりました。エージェント構築の際に音声入出力の両面でGrokのモデルを一貫して使えるようになります。
カスタムボイスクローニングについては、Grok Voice APIを通じて独自の音声をクローンし、エージェントに組み込む機能が提供されています。ナレーション・ポッドキャスト・広告ボイスオーバーといった用途を想定した高度なカスタマイズオプションも含まれています。以前の記事でもGrok Custom Voicesの詳細を整理していますので、実装の参考にしていただければと思います。
なお、Grok VoiceはVapi以外のプラットフォームでもAPIを通じて直接統合できます。音声エージェント開発を検討している場合は、まずVapiダッシュボードで試してみるのがわかりやすい入り口だと思います。
まとめ
xAIとVapiの提携により、Grok Voiceは250万超のエージェントに展開される音声エンジンとなりました。盲検評価での首位獲得と人間との識別率50%という結果は、TTSの品質として注目に値します。カスタムボイスクローニングを含む機能拡充も続いており、音声AIの活用領域が広がりつつあることを感じます。Vapiでの音声エージェント開発を検討している方は、Grok Voice Think Fast 1.0の実運用事例もあわせて参考にしていただければと思います。
