xAI ha annunciato Grok Voice Think Fast 2.0, il suo nuovo modello speech-to-speech destinato alla realizzazione di assistenti vocali e agenti capaci di sostenere conversazioni in tempo reale.
La nuova versione introduce miglioramenti nell’intelligenza, nella precisione della trascrizione, nell’impiego degli strumenti e nella capacità di gestire una conversazione. Secondo l’azienda, nella maggior parte dei casi sarà possibile effettuare l’aggiornamento senza modificare i prompt già utilizzati.
Grok Voice Think Fast 2.0, come si comporta nei benchmark
Nei risultati pubblicati da xAI e attribuiti ad Artificial Analysis, Grok Voice Think Fast 2.0 raggiunge un punteggio complessivo dell’82,9% nello Speech-to-Speech Quality Index.
Il modello registra inoltre un tempo di 0,70 secondi prima della produzione del primo audio, contro gli 1,25 secondi della versione precedente.
| Benchmark | Grok Voice Think Fast 2.0 | Grok Voice Think Fast 1.0 | GPT-Realtime-2.1 High | Gemini 3.1 Flash High |
|---|---|---|---|---|
| AA Speech-to-Speech Quality Index | 82,9% | 75,7% | 79,1% | 69,5% |
| Big Bench Audio | 97,2% | 97,1% | 96,0% | 96,6% |
| Full Duplex Bench | 95,1% | 77,8% | 95,7% | 74,3% |
| τ-voice Bench | 56,5% | 52,1% | 45,7% | 37,7% |
| Tempo al primo audio | 0,70 s | 1,25 s | Non indicato | 2,98 s |
Fonte dei benchmark: Artificial Analysis, come riportato da xAI.
Il vantaggio più evidente rispetto a Grok Voice Think Fast 1.0 emerge nella gestione delle dinamiche conversazionali, dove il punteggio passa dal 77,8% al 95,1%. Più contenuto, ma comunque positivo, il progresso nel benchmark dedicato alle attività agentiche.
Trascrizioni in 24 lingue
xAI dichiara di aver valutato la precisione della trascrizione su migliaia di brevi frasi in 24 lingue. Nelle prove interne, Grok Voice Think Fast 2.0 avrebbe ottenuto un miglioramento compreso tra 1,5 e 2 volte rispetto a Deepgram Nova 3 ed ElevenLabs Scribe v2.
Rispetto a Grok Voice Think Fast 1.0, il miglioramento dichiarato è invece pari a 1,4 volte. In presenza di rumore ambientale e compressione telefonica, il divario rispetto ai modelli speech-to-text dedicati arriverebbe fino a circa dieci volte.
| Aspetto analizzato | Risultato dichiarato da xAI |
| Lingue considerate | 24 |
| Campione | Migliaia di brevi frasi |
| Confronto con Deepgram Nova 3 | Miglioramento compreso tra 1,5 e 2 volte |
| Confronto con ElevenLabs Scribe v2 | Miglioramento compreso tra 1,5 e 2 volte |
| Confronto con Think Fast 1.0 | Miglioramento di 1,4 volte |
| Prestazioni in ambienti rumorosi | Divario fino a circa 10 volte |
| Condizioni considerate | Rumore ambientale e compressione telefonica |
Le lingue valutate comprendono inglese, italiano, arabo, portoghese, cinese, spagnolo, giapponese, turco, polacco, cantonese, hindi, russo, svedese, francese, finlandese, olandese, tedesco, ebraico, norvegese e danese.
I dati dettagliati del tasso di errore per ciascuna lingua non sono riportati numericamente nel materiale fornito. Di conseguenza, i miglioramenti indicati devono essere considerati dichiarazioni del produttore e non risultati verificati in modo indipendente nell’ambito di questo articolo.
Ragionamento mentre il modello parla
Una delle caratteristiche distintive della famiglia Think Fast è la capacità di elaborare la richiesta mentre viene generata la risposta vocale. Il ragionamento procede quindi in parallelo con la conversazione, con l’obiettivo di migliorare le risposte senza aumentare la latenza percepita.
La versione 2.0 è stata addestrata anche per ridurre il consumo di token impiegati nel ragionamento. Secondo xAI, questo permette di effettuare più rapidamente le chiamate agli strumenti, spesso prima che l’agente abbia terminato la sua prima frase.
| Modello | Token di ragionamento relativi per risposta, valore mediano |
| Grok Voice Think Fast 2.0 | 0,4× |
| Grok Voice Think Fast 1.0 | 1,0× |
Il valore indica una riduzione del 60% rispetto alla generazione precedente, prendendo Think Fast 1.0 come riferimento.
Conversazioni più brevi e naturali
xAI afferma di aver utilizzato tecniche di apprendimento per rinforzo per avvicinare maggiormente le risposte alle normali conversazioni umane.
Il nuovo modello dovrebbe produrre frasi più brevi, porre una domanda alla volta e limitare le informazioni superflue. L’obiettivo è rendere più semplici le interazioni con assistenti vocali incaricati di guidare l’utente attraverso procedure articolate.
Tra le applicazioni possibili rientrano assistenza clienti, prenotazioni, vendite telefoniche, raccolta di informazioni e automazione di flussi basati sulla voce.
Migrazione automatica dal 5 agosto
Dal 5 agosto 2026, l’alias grok-voice-latest passerà automaticamente da Grok Voice Think Fast 1.0 alla versione 2.0. Gli sviluppatori che utilizzano l’alias non dovranno effettuare operazioni per ricevere l’aggiornamento.
Chi desidera continuare a usare la versione precedente dovrà invece indicare esplicitamente grok-voice-think-fast-1.0 prima della data prevista.
| Voce | Dettaglio |
| Nuovo modello | grok-voice-think-fast-2.0 |
| Alias interessato | grok-voice-latest |
| Data della migrazione | 5 agosto 2026 |
| Aggiornamento automatico | Sì |
| Modifiche ai prompt | Generalmente non necessarie secondo xAI |
| Permanenza sulla versione precedente | Richiede il pin a grok-voice-think-fast-1.0 |
| Prezzo | 0,08 dollari per minuto di audio |
Prezzo e disponibilità
Grok Voice Think Fast 2.0 viene proposto a 0,08 dollari per minuto di audio. Il modello è destinato agli sviluppatori e alle aziende che realizzano servizi vocali tramite le API di xAI.
Prima di migrare applicazioni in produzione è comunque consigliabile effettuare test sui propri casi d’uso, soprattutto in presenza di accenti, rumore, terminologia specialistica, chiamate telefoniche o integrazioni con strumenti esterni.
