xAI ha presentato Grok Voice Think Fast 2.0, una nuova generazione del proprio modello speech-to-speech progettata per costruire agenti vocali capaci di comprendere la voce, ragionare, conversare e utilizzare strumenti esterni in tempo reale. Il sistema migliora l’intelligenza, l’accuratezza della trascrizione, la naturalezza del dialogo e l’affidabilità delle chiamate agli strumenti rispetto alla versione precedente, mantenendo una latenza sufficientemente ridotta per applicazioni come assistenza clienti, vendite telefoniche e automazione di procedure gestite interamente attraverso la voce.
Nel benchmark Speech-to-Speech Quality Index di Artificial Analysis, Grok Voice Think Fast 2.0 ha ottenuto un punteggio complessivo dell’82,9%, rispetto al 75,7% della versione 1.0, al 79,1% di GPT-Realtime-2.1 nella configurazione High e al 69,5% di Gemini 3.1 Flash High. Il risultato combina differenti aspetti delle prestazioni vocali, comprendendo il ragionamento sui contenuti audio, la gestione della conversazione, la capacità di completare attività agentiche e la rapidità con cui il sistema inizia a produrre la risposta parlata. Nel test Speech Reasoning Big Bench Audio, dedicato alla capacità di ragionare direttamente sulle informazioni ricevute attraverso il canale vocale, il modello ha raggiunto il 97,2%. Il valore risulta sostanzialmente allineato al 97,1% della precedente generazione, ma supera il 96% ottenuto da GPT-Realtime-2.1 e il 96,6% di Gemini 3.1 Flash. Il miglioramento più rilevante non deriva quindi soltanto dall’aumento della capacità di ragionamento, già elevata nella versione precedente, ma dal modo in cui questa viene integrata con la conversazione, l’esecuzione di azioni e la riduzione dei tempi di risposta. Nel Full Duplex Bench dedicato alle dinamiche conversazionali, Grok Voice Think Fast 2.0 ha ottenuto il 95,1%, con un aumento considerevole rispetto al 77,8% della versione 1.0. Il modello si avvicina così al 95,7% di GPT-Realtime-2.1 e supera il 74,3% di Gemini 3.1 Flash. La valutazione misura la capacità di sostenere un’interazione bidirezionale più vicina a una conversazione naturale, nella quale il sistema deve gestire interruzioni, turni di parola, richieste incomplete e cambiamenti nella direzione del dialogo senza perdere il contesto. Le prestazioni agentiche sono state misurate attraverso τ-voice Bench, dove Grok Voice Think Fast 2.0 ha raggiunto il 56,5%, rispetto al 52,1% della generazione precedente. GPT-Realtime-2.1 ha ottenuto il 45,7%, mentre Gemini 3.1 Flash si è fermato al 37,7%. Il benchmark valuta la capacità dell’agente di completare procedure articolate attraverso la voce, comprendendo correttamente le richieste, raccogliendo le informazioni mancanti e utilizzando strumenti o servizi esterni per portare a termine l’attività.
Il tempo necessario per produrre il primo frammento audio è stato ridotto da 1,25 a 0,70 secondi. Questo intervallo, definito Time to First Audio, incide direttamente sulla percezione di naturalezza dell’interazione, perché pause troppo lunghe possono far sembrare il sistema lento o interrompere il ritmo della conversazione. La riduzione consente al modello di iniziare a parlare rapidamente anche quando deve contemporaneamente comprendere la richiesta, pianificare la risposta e decidere se utilizzare uno strumento.
Grok Voice Think Fast 2.0 ragiona mentre sta parlando, anziché completare l’intero processo di elaborazione prima di iniziare la risposta. Questa impostazione permette di sovrapporre la generazione vocale e il ragionamento, riducendo la latenza percepita senza eliminare la capacità di affrontare richieste articolate. Durante la prima parte della risposta il sistema può già preparare una chiamata a uno strumento, recuperare informazioni o avviare un’operazione, continuando nel frattempo a parlare con l’utente. La nuova versione utilizza inoltre meno token di ragionamento. xAI indica un consumo mediano pari a circa 0,4 volte quello della versione precedente, corrispondente a una riduzione vicina al 60%. In un ambiente di produzione, la maggiore efficienza permette di eseguire le chiamate agli strumenti più rapidamente e di completarle spesso prima che l’agente abbia terminato la prima frase. Il sistema può quindi iniziare una risposta di conferma mentre sta già interrogando un database, verificando una disponibilità o predisponendo un’azione richiesta dall’utente.
Il miglioramento riguarda anche la trascrizione automatica. xAI ha valutato il modello su migliaia di brevi frasi pronunciate in 24 lingue, confrontandolo con Deepgram Nova 3, ElevenLabs Scribe v2 e Grok Voice Think Fast 1.0. In queste prove la nuova versione avrebbe raggiunto un’accuratezza da 1,5 a due volte superiore rispetto ai modelli specializzati di Deepgram ed ElevenLabs e circa 1,4 volte superiore rispetto alla propria generazione precedente. La differenza aumenta negli ambienti caratterizzati da rumore di fondo, compressione telefonica e qualità audio ridotta. In queste condizioni, lo scarto rispetto ai modelli speech-to-text dedicati arriverebbe a circa dieci volte. Il sistema è stato infatti addestrato per operare in situazioni reali, nelle quali la voce può provenire da una linea telefonica, da un microfono economico oppure da un ambiente con persone, traffico o apparecchiature in funzione. L’accuratezza della trascrizione è particolarmente importante per gli agenti vocali che devono utilizzare strumenti esterni. Un errore nella comprensione di un nome, di un indirizzo, di una quantità o di un codice identificativo può infatti propagarsi nelle fasi successive e produrre un’azione errata. Il modello deve quindi mantenere bassi i tassi di errore non soltanto nelle frasi generiche, ma anche nei brevi segmenti contenenti informazioni operative indispensabili per completare il compito.
xAI ha addestrato Grok Voice Think Fast 2.0 affinché utilizzi frasi più brevi, ponga una domanda alla volta ed eviti risposte riempitive. Il comportamento deriva da un processo di reinforcement learning basato sui modelli osservati nelle conversazioni umane. La riduzione della verbosità ha una funzione pratica: un agente che deve raccogliere numerose informazioni può guidare l’utente attraverso una procedura complessa senza sovraccaricarlo con più domande contemporaneamente o con spiegazioni non necessarie. La semplicità percepita della conversazione non implica però che l’agente stia svolgendo un’attività semplice. Dietro una frase breve può essere presente una pianificazione composta da più passaggi, comprendente la selezione dello strumento, la preparazione dei parametri, il controllo del risultato e la definizione della domanda successiva. L’obiettivo è mantenere fluida l’interazione in superficie, lasciando che la complessità operativa venga gestita dal modello e dall’infrastruttura collegata. Durante i test A/B condotti sul servizio telefonico di Starlink, raggiungibile attraverso il numero statunitense 1-888-GO-STARLINK, l’utilizzo della nuova versione ha prodotto un aumento significativo del tasso di conversione delle vendite e del support containment rate. Quest’ultimo indica la percentuale di richieste che l’agente riesce a gestire autonomamente senza trasferire la chiamata a un operatore umano. I risultati mostrano quindi un’applicazione diretta del modello in un ambiente commerciale reale, nel quale la qualità viene misurata attraverso il completamento delle vendite e la capacità di risolvere le richieste.
La piattaforma è disponibile per gli sviluppatori attraverso l’API speech-to-speech di xAI. Il collegamento avviene in tempo reale mediante WebSocket e l’interfaccia è compatibile con l’OpenAI Realtime API, consentendo di utilizzare numerosi client e kit di sviluppo esistenti modificando principalmente l’endpoint di connessione. Questa compatibilità riduce il lavoro necessario per trasferire su Grok applicazioni vocali inizialmente costruite per altre infrastrutture. Per le nuove integrazioni, xAI raccomanda di utilizzare l’alias grok-voice-latest, che viene collegato alla versione considerata più recente e adatta alla produzione. Gli sviluppatori che necessitano invece di un comportamento stabile e immutabile possono indicare direttamente grok-voice-think-fast-2.0, evitando che un successivo aggiornamento dell’alias modifichi automaticamente il modello impiegato dall’applicazione.
Il 5 agosto 2026 l’alias grok-voice-latest passerà automaticamente da Grok Voice Think Fast 1.0 alla versione 2.0. Le applicazioni che utilizzano l’alias non richiederanno modifiche per ricevere il nuovo modello. Chi intende continuare a utilizzare la generazione precedente dovrà invece bloccare esplicitamente l’identificativo grok-voice-think-fast-1.0 prima della migrazione. La documentazione suggerisce di semplificare i prompt di sistema durante il passaggio alla nuova versione. Molte istruzioni utilizzate per compensare limiti, errori o comportamenti instabili dei modelli precedenti possono essere eliminate, perché Grok Voice Think Fast 2.0 dovrebbe riuscire a generalizzare meglio le direttive e a gestire casi più articolati senza una lunga sequenza di correzioni specifiche. xAI consiglia quindi di rimuovere i workaround aggiunti esclusivamente per risolvere problemi delle versioni precedenti. Il ragionamento è attivo per impostazione predefinita con livello High, destinato alle istruzioni composte da più passaggi, alle richieste ambigue e alle conversazioni nelle quali il tono deve essere adattato con particolare attenzione. Per le applicazioni più semplici, nelle quali la priorità è ridurre ulteriormente i tempi e i costi, gli sviluppatori possono disabilitare il ragionamento impostando il parametro corrispondente su none.
Grok Voice Think Fast 2.0 viene offerto a 0,08 dollari per ogni minuto di audio elaborato. La tariffa unifica il costo attorno alla durata dell’interazione, rendendo più prevedibile la spesa per servizi telefonici e agenti vocali rispetto a una fatturazione distinta per trascrizione, token di input, generazione testuale e sintesi della voce. Un’azienda può quindi stimare il costo operativo partendo dal numero e dalla durata media delle conversazioni gestite. Il modello è destinato a sistemi nei quali la voce costituisce l’interfaccia principale, non un semplice livello aggiunto a un chatbot testuale. Comprensione audio, trascrizione, ragionamento, risposta parlata e utilizzo degli strumenti vengono gestiti come parti dello stesso flusso in tempo reale. L’obiettivo è consentire agli agenti di sostenere conversazioni naturali e, contemporaneamente, completare operazioni concrete senza interrompere continuamente il dialogo o trasferire ogni richiesta a un operatore umano.