xAI ha rilasciato Grok Voice Think Fast 2.0, il suo modello speech-to-speech di nuova generazione pensato per voice agent reali. Il modello migliora in modo sostanziale intelligenza, accuratezza di trascrizione e capacità conversazionali rispetto alla versione 1.0, mantenendo latenza sub-secondo.
Il cuore tecnico è la capacità di ragionare in parallelo mentre parla. Non c'è più il classico "ascolta → pensa → rispondi": il reasoning avviene in background durante l'output audio, senza impatto misurabile sulla latenza. Questo permette tool call più snelle e conversazioni che restano fluide anche su workflow complessi.
Benchmark e confronti diretti
Secondo i dati pubblicati da Artificial Analysis, Grok Voice Think Fast 2.0 ottiene:
- 82.9% sull'Overall AA Speech-to-Speech Quality Index (contro 75.7% della 1.0 e 79.1% di GPT-Realtime-2.1 High)
- 97.2% su Speech Reasoning (Big Bench Audio)
- 95.1% su Conversational Dynamics (Full Duplex Bench)
- 56.5% su Agentic Performance (τ-voice Bench)
- 0.70s di Time to First Audio (contro 1.25s della 1.0)
Su τ-voice Bench il modello è attualmente primo. Su Conversational Dynamics è praticamente a pari merito con GPT-Realtime-2.1 High (95.7%), ma con un vantaggio netto di velocità.
Trascrizione e robustezza al rumore
La trascrizione è uno dei punti più forti. Su migliaia di frasi brevi in 24 lingue, Grok Voice Think Fast 2.0 mostra un miglioramento di 1.5–2× rispetto a Deepgram Nova 3 e ElevenLabs Scribe v2. In condizioni rumorose e con compressione telefonica il gap arriva fino a ~10×.
Le lingue valutate includono inglese (anche noisy), italiano, arabo (Arabia Saudita e UAE), portoghese (Brasile e Portogallo), cinese, spagnolo (Spagna e Messico), giapponese, turco, polacco, cantonese, hindi, russo, svedese, francese, finlandese, olandese, tedesco, ebraico, norvegese e danese.
Reasoning efficiency e stile conversazionale
Il modello è stato addestrato per usare molti meno reasoning token: in produzione il consumo medio (P50) scende a 0.4× rispetto alla 1.0. Questo si traduce in tool call più rapide, spesso completate prima della fine della prima frase dell'agente.
Dal punto di vista conversazionale, il training con reinforcement learning ha spinto il modello verso pattern più umani: frasi più corte, una domanda alla volta, meno filler. Il risultato è un'interazione che sembra semplice e naturale, anche quando dietro le quinte l'agente sta gestendo workflow multi-step.
Disponibilità, pricing e migrazioni
Grok Voice Think Fast 2.0 è già disponibile sull'API e sul Voice Agent Builder a $0.08 al minuto di audio. Non sono necessarie modifiche ai prompt esistenti: i test interni (inclusi A/B su Starlink) mostrano miglioramenti di sales conversion e support containment rate.
Il 5 agosto 2026 l'alias grok-voice-latest passerà automaticamente da grok-voice-think-fast-1.0 a grok-voice-think-fast-2.0. Chi vuole restare sulla versione precedente può pinnare esplicitamente grok-voice-think-fast-1.0 prima di quella data.
Per chi sviluppa voice agent su telefonate, customer support o ambienti reali con rumore di fondo, questo rilascio riduce in modo concreto i principali colli di bottiglia di accuratezza e latenza.
Testo: assistito da AI · revisionato da Carlos H. P. Ross
