［AIツール利用者向け］xAIが「Voice Agent Builder」を発表——コード不要で2分の音声AIエージェント構築

2026-07-02

はじめに

　xAIは2026年7月1日、コードを書かずに音声AIエージェントを構築できるプラットフォーム「Voice Agent Builder」のベータ版を発表しました。同社の音声モデル「Grok Voice」上で、電話応対エージェントを最短2分で構築できるとしています。本稿では発表内容を解説します。

参考記事

タイトル: Introducing the Voice Agent Builder
発行元: x.ai(xAI公式ブログ)
発行日: 2026年7月1日
URL: https://x.ai/news/grok-voice-agent-builder

要点

Voice Agent Builderは、Grok Voice上で本番運用向けの音声エージェントをノーコードで構築できるプラットフォームであり、2026年7月1日にベータ公開された
音声認識・言語モデル・音声合成を別々に組み合わせる従来型の構成ではなく、Grok Voiceによる音声から音声への一体型処理を採用している
独自ベンチマーク「τ-voice Bench」において、Grok Voice Think Fast 1.0は67.3%を記録し、Gemini 3.1 Flash Live(43.8%)やGPT Realtime 1.5(35.3%)を上回った
知識ベース、カレンダーやCRMなどとの連携ツール、ガードレール、通話の録音・文字起こし機能が標準で備わっている
料金はAPIレート(音声1分あたり0.05ドル)に加え、無料付与の電話番号を使う場合はテレフォニー料金として1分あたり0.01ドルが発生する

詳細解説

ノーコードで音声エージェントを構築する

　Voice Agent Builderは、通話の流れを平易な文章で記述し、そこに文書やツール、ガードレールを追加していくことでエージェントを構築します。ゼロから稼働するエージェントまで、およそ 2分で到達できるとされています。対象は、電話対応の基盤を一から作り込まずに大量の通話を処理したい事業者と開発者の両方です。

　一般的な音声エージェントの構成では、音声認識(STT)・大規模言語モデル・音声合成(TTS)という3つのAPIを別々のプロバイダーでつなぎ合わせることが多く、各段階の橋渡しごとにコストや遅延、不具合の原因が積み重なりやすいという課題がありました。Voice Agent Builderは、この3段構成ではなく、Grok Voice向けに構築された音声から音声への単一経路を採用しており、モデルと処理経路が密に結びついている点が特徴です。xAIは同年4月にも音声特化モデル「Grok Voice Think Fast 1.0」を発表しており、今回のBuilderはそのモデルを土台にした運用基盤という位置づけになります。

困難な通話条件を想定した性能評価

　実際の通話には、電話回線特有の音質の悪さや雑音、強い訛り、会話の割り込み、話者が途中で意向を変えるといった要素が含まれます。業務フロー自体も曖昧で、複数のツールをまたぎ、25以上の言語で行われることもあります。xAIは、Grok Voiceをこうした条件下の通話データで学習させたと説明しており、独自ベンチマーク「τ-voice Bench」は同様の条件下でエージェントを評価する指標です。

　同ベンチマークでは、Grok Voice Think Fast 1.0が 67.3% を記録し、Gemini 3.1 Flash Live(43.8%)、GPT Realtime 1.5(35.3%)を上回ったとされています。ベンチマークはあくまで自社が定義した評価軸である点には留意が必要ですが、小売・航空・通信といった業種別のシナリオを含んでいる点から、実務に近い状況を意識した設計だと考えられます。

知識ベースとツール連携で「動けるエージェント」に

　エージェントの挙動は、通話の進め方を記述したプロンプトから出発します。モデルはリアルタイムに推論するため、長い指示や曖昧な依頼にも対応できるとされています。一方、エージェントが実際に「知っている」内容は知識ベースに依存しており、プレーンテキストやMarkdown、Word、PowerPoint、Excel、HTML、JSONなど一般的な形式の文書をアップロードして、通話中に参照させる仕組みです。文書はコレクション単位で管理され、複数のエージェントに横断的に割り当てられるため、ポリシーや製品仕様、運用手順を個々のプロンプトに書き込む必要がありません。

　業務を完結させるには、知識だけでなく実際の操作も欠かせません。ツールや外部連携を通じて、Google CalendarやOutlook Calendarでの予約、メール送信、自社APIを介した注文状況の確認や返金処理などが行えるほか、文書内に答えがない場合はWeb検索やX検索で公開情報を参照できます。チケット管理はLinearやNotion、ファイル参照はGoogle DriveやOneDriveと連携する構成です。対応が難しい場合は人間のオペレーターへ転送し、完了した通話は適切に終了させる設計になっています。あわせて、担当チームが対応状況を把握できるよう、通話中にリアルタイムで通知が送られる仕組みも備わっています。

音声・電話番号・通話レビュー

　エージェントの声は、80種類以上の組み込みボイスに加え、約2分間の音声から作成できる自社ブランドの音声クローンも選択できます。同社は5月にも音声クローン機能「Custom Voices」を発表しており、今回はその機能がBuilder上に統合された形と言えます。各アカウントには無料の電話番号が付属し、既存の電話番号を主要な電話回線事業者からSIP経由で持ち込むことも可能です。ブラウザ上での通話テストにも対応しています。

　すべての通話は録音・文字起こしされ、音声の再生や文字起こしの確認、エージェントがどのツールを使用したかの確認ができます。ガードレールでは、カード番号の読み上げや台本外の話題への言及など、エージェントに行わせたくない行動を制限できる仕組みです。

料金体系

　料金はAPIレート(音声1分あたり0.05ドル)で課金され、音声の利用料自体は別建てになっていません。無料付与された電話番号でのテレフォニー利用には、1分あたり0.01ドルが追加でかかります。音声認識・推論・音声合成・プラットフォーム利用料をそれぞれ個別の単位で課金する構成が一般的な音声スタックでは多く見られますが、xAIは通話量に単純な単価を掛け合わせるだけで済む、少数の課金単位に絞ったと説明しています。料金体系の分かりやすさは、コスト試算のしやすさという点で導入検討時の判断材料になると思います。