xAI, 음성 대화 모델 Grok Voice 2.0 발표

Grok Voice 2.0은 추론, 받아쓰기 정확도, 대화 능력을 강화한 차세대 음성 모델이다. Artificial Analysis의 Speech-to-Speech 지표에서 Big Bench Audio는 97.2%, τ-voice Bench는 56.5%, Time to First Audio는 0.70초를 기록했다. Full Duplex Bench는 95.1%로, GPT-Realtime-2.1 (High)의 95.7%를 약간 밑돌았다.

받아쓰기는 24개 언어의 짧은 문장 수천 건으로 평가했다고 한다. Deepgram Nova 3 및 ElevenLabs Scribe v2 대비 1.5~2.0배, Grok Voice 1.0 대비 1.4배 향상되었으며, 소음 환경에서는 전용 음성 인식 모델과의 격차가 약 10배로 벌어진다고 한다. 배경 소음과 전화 회선의 압축을 가정한 실환경 성능을 중시했다고 설명한다.

Grok Voice 모델은 말하면서 추론하는 특징을 갖는다. 2.0은 추론 토큰 효율이 높아, 응답 1회당 상대적 추론 토큰량(P50)이 1.0 대비 0.4배다. 실서비스 환경에서는 에이전트가 첫 문장을 끝내기 전에 도구 호출이 실행되는 경우가 많다고 한다. 강화학습을 통해 문장을 짧게 하고, 질문은 한 번에 하나만 하며, 불필요한 말을 피하는 대화 패턴에 맞췄다고 밝혔다.

기존 프롬프트를 바꾸지 않아도 거의 모든 사용 사례에서 성능 향상이 기대된다고 한다. Starlink에서 진행한 A/B 테스트에서는 판매 전환율과 고객 지원 완결률이 크게 상승했다. 2026년 8월 5일에 grok-voice-latest가 Grok Voice 1.0에서 Grok Voice 2.0(grok-voice-2.0)으로 옮겨가며, 업그레이드를 위한 별도 작업은 필요 없다.