結論：xAIは2026年7月1日にノーコード音声エージェント構築ツール「Voice Agent Builder」をベータ公開し、7月6日にはGrok Voiceへ21種の新しいフラッグシップ音声を追加した。開発者は用途に応じて「Voice Agent API」「Text to Speech API」「Voice Agent Builder」という3つの実装ルートから選べる。
- 要点1：Voice Agent Builderは通話フローを自然文で記述するだけで、約2分で本番稼働可能な音声エージェントが作れる(xAI公式発表)。
- 要点2：21の新音声はすべて25以上の言語に対応する多言語音声で、既存5音声(Ara・Eve・Leo・Rex・Sal)と合わせて26種類が実質フラッグシップボイスとして利用可能になった。
- 要点3：料金は音声1分あたり5セント+電話1分あたり1セントとシンプルで、STT・LLM・TTSを別々に契約する構成(実測で1分あたり13〜31セント超)より低コストに収まりやすい。
対象読者：音声AIエージェントをプロダクトに組み込みたい開発者・PM、コールセンターやカスタマーサポートの自動化を検討している実務者。
今日やること：xAIコンソールでVoice Agent Builderのベータにアクセスし、1つの簡単な通話フロー(例:営業時間の案内)を実際に2分でテスト構築してみる。
「音声AIエージェントを作りたいが、音声認識・対話・音声合成をバラバラに組んで、テレフォニーやガードレールまで自前で実装するのは正直しんどい」——AIエージェントの実装支援をしていると、こうした相談を受けることが増えている。
音声認識(STT)、対話生成(LLM)、音声合成(TTS)を個別のベンダーで組み合わせると、レイテンシ調整・エラーハンドリング・電話回線連携・通話ログの可観測性まで全て自前で設計する必要がある。ここに、xAIが2026年7月1日に発表した「Voice Agent Builder」が一つの回答を示した。通話フローをプレーンテキストで書くだけで、ナレッジ検索・ツール連携・ガードレール・MCP接続・通話ログの可観測性までを一つのノーコード画面に統合し、「約2分」で本番投入可能な音声エージェントを作れると謳っている。
本記事では、xAI公式発表(x.ai/news)とAPIドキュメント(docs.x.ai)を実際に確認したうえで、Voice Agent Builder・Voice Agent API・Text to Speech APIという3つの実装ルートの使い分け、21種の新音声とスピーチタグの使い方、料金設計、そして実装コード例までを整理する。あわせて、Vapi・ElevenLabs・OpenAI Realtime APIといった既存の音声エージェント基盤との違いも、公式に近い一次情報をベースに比較する。
Voice Agent Builderとは何か
Voice Agent Builderは、xAIが2026年7月1日に発表した、Grok Voice上で本番運用可能な音声エージェントをノーコードで構成するプラットフォームだ。公式発表では「自前でスタック全体(音声認識・対話・音声合成・電話・可観測性)を組みたくない開発者・オペレーター向け」と位置づけられている。
使い方はシンプルで、まず通話フローをどう進めるかをプレーンテキストで記述し、そこに参照させたい文書・接続したい外部ツール・守らせたいガードレールを追加していく。公式発表では「ゼロから稼働するエージェントまで約2分」で到達できるとされ、ブラウザ上でのテスト通話機能も用意されている。
Voice Agent Builderが標準で内包する主な構成要素は次の6つだ。
- Telephony(電話連携)：既存の電話番号をSIP経由で移行できるほか、xAI提供の電話番号が無料で1つ付属し、検証呼から本番トラフィックまで利用できる。WebSocket接続にも対応する。
- Knowledge retrieval(ナレッジ検索)：複数フォーマットの文書を「コレクション」として整理し、エージェントが参照できるようにする。
- Tools(外部ツール連携)：Gmail、Google Calendar、Outlook、Linear、Notion、OneDrive、Google Drive、API連携、X検索、Web検索などに対応する。
- Guardrails(ガードレール)：エージェントがしてはいけないことの制限や、必要に応じて人間オペレーターへエスカレーションする仕組みを設定できる。
- MCP：リモートMCPサーバーへの接続に対応し、社内システムやAPIと柔軟に繋げられる。
- Observability(可観測性)：すべての通話が録音・文字起こしされ、再生・検査ができる。
下図は、Voice Agent Builderがこれらの構成要素をどう束ねているかを整理したものだ。
Voice Agent Builderの想定ユースケース
Voice Agent Builderが標準で連携できるツール群(Gmail、Google Calendar、Outlook、Linear、Notion、OneDrive、Google Drive、API連携、X検索、Web検索)を踏まえると、実務での使いどころは大きく次の4パターンに整理できる。
- 予約受付・スケジュール調整：Google CalendarやOutlook Calendarと連携し、電話口で日程確認から予約確定までを完結させる。
- 一次カスタマーサポート：ナレッジ検索(文書コレクション)とAPI連携を組み合わせ、よくある問い合わせに一次対応し、複雑な内容だけ人間へエスカレーションする。
- 社内チケット起票：LinearやNotionと連携し、電話で受けた問い合わせをそのままチケットとして起票する。
- 営業一次対応・リード確認：X検索やWeb検索ツールを使い、着信した相手先企業の情報を参照しながら一次ヒアリングを行う。
いずれのシーンでも共通するのは、「電話対応そのもの」ではなく「電話対応の一次受け」をAIエージェントに任せ、判断が必要な部分は人間にエスカレーションするという設計思想だ。ガードレールとMCP接続を適切に設計できるかどうかが、実運用での品質を左右する。
Grok Voiceの21新音声と25以上の言語対応
2026年7月6日、xAIはGrok Voiceに21種の新しいフラッグシップ音声を追加したと発表した。これは既存の5音声(Ara・Eve・Leo・Rex・Sal)に加わるもので、既存5音声も「より自然な話し方になるよう再トレーニングされた改良版レシピ」に更新された。これにより、実質26種類のフラッグシップボイスが利用可能になったことになる。
xAI公式発表によれば、これら全ての音声は「ネイティブに多言語対応」しており、Grok Voiceが対応する25以上の言語で利用できる。新音声は、リアルタイム対話用のVoice Agent API、テキストからの音声合成用のText to Speech API、そして先述のVoice Agent Builderの3つすべてで即座に利用可能だ。
公式発表では、各音声はサポート対応・キャラクター系・ナレーション系など特定の用途に合わせて設計されているとされ、xAIコンソール上でカスタム音声エージェントを組む際の選択肢として提供されている。
3つの実装ルート:Voice Agent API・Text to Speech API・Voice Agent Builderの使い分け
xAIの音声関連プロダクトは、実装コストと自由度のトレードオフに応じて3つのルートに分かれる。それぞれの立ち位置を整理したのが下表だ。
| 項目 | Voice Agent API(Speech-to-Speech) | Text to Speech API | Voice Agent Builder |
|---|---|---|---|
| できること | ツール利用・検索・複数ターンの会話に対応するリアルタイム音声エージェントの構築 | テキストから自然な音声を生成(会話管理・電話連携は含まない) | 通話フロー記述だけでテレフォニー・ナレッジ・ツール・ガードレールまで統合構築 |
| 料金(xAI公式) | 1分あたり5セント(1時間あたり3ドル) | 100万文字あたり15ドル | 音声1分あたり5セント+電話1分あたり1セント(自社番号利用時) |
| レイテンシ | 1秒未満のリアルタイム応答 | -(バッチ/ストリーミング生成) | Voice Agent API相当の1秒未満応答 |
| 対応言語 | 25以上の言語 | 25以上の言語 | 25以上の言語(21新音声含む) |
| 実装の手間 | WebSocket接続・会話状態管理を自前で実装 | 音声合成部分のみ、会話ロジックは自前で構築 | ノーコード、通話フローを自然文で記述するだけ |
| 向いている用途 | 独自UX・複雑な会話制御が必要なプロダクト開発 | ナレーション、読み上げ機能を既存アプリに組み込む | コールセンター・サポート窓口を最速で本番投入したい場合 |
音声を合成するだけならText to Speech API、独自の会話制御ロジックを完全に握りたいならVoice Agent API、そして「とにかく早く、運用まで持っていきたい」ならVoice Agent Builderという住み分けになる。実装判断を視覚的に整理したのが下図だ。
Voice Agent Builderのセットアップ手順:2分で音声エージェントを作る
公式発表に基づくと、Voice Agent Builderのセットアップは概ね次の5ステップで完結する。
- 通話フローを自然文で記述する：「営業時間を案内し、営業時間外は折り返し予約を受け付ける」のように、会話の流れをプレーンテキストで書く。
- ドキュメント・ツールを接続する：参照させたい文書をコレクションとしてアップロードし、Gmail・Calendar・Notionなど必要な外部ツールを接続する。
- ガードレールを設定する：エージェントがしてはいけない行動の制限や、人間オペレーターへのエスカレーション条件を決める。
- ブラウザでテスト通話をする：ブラウザベースのテスト通話機能で、実際の応答を確認しながら調整する。
- 電話番号で本番運用を開始する：xAI提供の無料番号、または既存番号をSIP経由で移行し、本番トラフィックを受け付ける。
この一連の流れを図にすると次のようになる。
Speech Tagsで話し方を制御する
Grok Voiceでは、音声の抑揚だけでなく「スピーチタグ」と呼ばれるインラインの制御タグを本文に埋め込むことで、話し方を細かく調整できる。xAI公式発表で具体例として挙げられているのは次のようなタグだ。
[pause]— 発話の間に一時停止を入れる<whisper>— ささやくような話し方にする<emphasis>— 特定の単語を強調する
APIドキュメントでは「笑い・ささやき・間(inline speech tags for laughter, whispers, pauses)」を制御できるとされており、案内文や謝罪の場面など、シーンに応じてトーンを変えたいケースで有効だ。ただし多用しすぎると不自然になりやすいため、要所に絞って使うのが実務上のコツになる。
実務での使い分けとしては、謝罪の第一声だけに[pause]を入れて間を作る、機密性の高い案内(パスワード再発行の注意喚起等)の直前だけ<emphasis>を使う、といった「此処一番」での局所的な利用が効果的だ。台本全体にタグを敷き詰めると、かえって機械的な棒読みに聞こえてしまうケースが実装時には起こりやすいので注意したい。
Custom Voices:音声クローニングの実装と本人確認
xAIは2026年4月30日、自分の声やブランドボイスをクローンできる「Custom Voices」機能を発表した。xAIコンソール上で1分程度の自然な音声を録音するだけで、2分以内に処理が完了し、voice_idが生成される。このvoice_idはText to Speech APIやVoice Agent APIにそのまま渡して利用でき、追加料金は発生しない。
本人確認の仕組みとして、xAIは2段階の認証プロセスを設けている。
- パスフレーズ確認：音声認識エンジンがリアルタイムで発話内容を検証する
- 話者確認：声紋データを比較し、登録者本人であることを確認する
この仕組みにより、既存の録音データからのクローニングや、他人の声を無断でクローンすることはできない設計になっている。カスタマーサポートやブランドボイスの統一を図りたい企業にとって、悪用リスクを抑えながら音声クローニングを活用できる点は実務上の安心材料になる。
料金体系とコスト試算
音声AIエージェントの導入検討で最初につまずきやすいのが、料金体系の分かりにくさだ。ベンダーによってはSTT・LLM・TTS・電話回線がそれぞれ別契約になっており、見積もりを取るだけで時間がかかることも珍しくない。その点、xAIの料金体系は次のようにシンプルに整理されている(2026年7月時点、x.ai/api/voice・x.ai/news/grok-voice-agent-builder掲載分)。
| API/製品 | 料金 | 備考 |
|---|---|---|
| Voice Agent API(Speech-to-Speech) | 1分あたり5セント(1時間あたり3ドル) | リアルタイム対話、1秒未満のレイテンシ |
| Text to Speech API | 100万文字あたり15ドル | PCM・MP3・Opus・FLAC・WAV出力に対応 |
| Speech to Text API | 1時間あたり10セント(ストリーミングは1時間あたり20セント) | 医療・法律・金融分野の固有表現認識に対応 |
| Voice Agent Builder | 音声1分あたり5セント+電話1分あたり1セント(自社提供番号利用時) | ノーコード、上記API群をワンストップで内包 |
例えば、月間1,000分の通話をVoice Agent Builderで運用する場合、音声分だけで50ドル、電話番号分を加えても60ドル程度に収まる計算になる(xAI提供電話番号を利用し、通話がすべて音声のみで完結する前提の試算)。通話規模別に単純計算すると、次のような目安になる。
| 月間通話分数 | 音声分のコスト(1分5セント) | 電話分のコスト(1分1セント) | 合計目安 |
|---|---|---|---|
| 100分 | 5ドル | 1ドル | 6ドル |
| 1,000分 | 50ドル | 10ドル | 60ドル |
| 10,000分 | 500ドル | 100ドル | 600ドル |
実際のコストは通話の長さ・利用するツール数・外部システム連携の有無によって変動するため、本番投入前には自社のトラフィック想定でテスト計測することが欠かせない。特に、既存電話番号をSIP経由で移行する場合は電話キャリア側の従量課金が別途発生する可能性があるため、xAI提供番号を使う場合との比較検討をしておくとよい。
他社音声エージェント基盤との比較
音声AIエージェントの構築基盤としては、xAI以外にもVapi、ElevenLabs Conversational AI(ElevenAgents)、OpenAI Realtime APIなどが広く使われている。各社の料金構造を整理すると、xAIの特徴がより明確になる。
| サービス | 料金構造 | 実質コスト目安(1分あたり) |
|---|---|---|
| xAI Voice Agent Builder | 音声+対話+電話が一体型($0.05/分+電話$0.01/分) | 約5〜6セント(バンドル込み) |
| Vapi | プラットフォーム利用料(約$0.05/分)は基本料のみで、STT(Deepgram等)・LLM(GPT-4o等)・TTS(ElevenLabs等)・電話(Twilio等)を別契約で積み上げる構成 | 約13〜31セント以上(スタック構成による) |
| ElevenLabs Conversational AI(ElevenAgents) | 月額プランに含まれる通話分数を超えると1分あたり8セントの従量課金。LLM・電話は別料金 | 8セント〜(超過分、LLM/電話別途) |
| OpenAI Realtime API(GPT-Realtime系) | 音声トークン単位の課金(1分あたりの固定料金ではない) | キャッシュ未使用時で18〜46セント、プロンプトキャッシュ活用時は5〜10セント程度に圧縮可能 |
この比較から見えてくるのは、Vapiのように音声認識・LLM・音声合成・電話をパーツごとに組み合わせる「スタック型」に対し、xAIのVoice Agent Builderは音声認識から対話・音声合成・電話までを一体で提供する「バンドル型」だという点だ。バンドル型は個別最適化の自由度こそ下がるものの、コスト構造がシンプルで見積もりやすく、ノーコードで最速稼働させたい場面に向いている。一方、ElevenLabsやOpenAI Realtime APIのように既存のLLMスタックと柔軟に組み合わせたい場合は、パーツ単位で選べる構成のメリットも大きい。自社の要件が「最速で本番投入」なのか「既存スタックとの統合を優先する」のかで、選ぶべき基盤は変わってくる。
特にVapiのようなスタック型は、STT・LLM・TTS・電話をそれぞれ最新・最適なベンダーに差し替えられる柔軟性が最大の強みだ。すでに特定のLLM(Claude・GPT系等)を業務で使い込んでいて、その対話品質を音声エージェントにもそのまま持ち込みたい場合は、スタック型のほうが移行コストを抑えられることもある。逆に、これから新規に音声エージェントを立ち上げる、かつ社内にSTT/TTSベンダー選定の知見が少ない場合は、xAIのようなバンドル型から始めて、必要になった部分だけ後から個別最適化していくアプローチが現実的だ。
実装コード例:WebSocketでVoice Agent APIを呼ぶ最小構成
Voice Agent APIはWebSocket経由でリアルタイムの音声ストリームをやり取りする。以下は接続を確立するまでの最小構成のイメージだ。
import asyncio
import websockets
import os
API_KEY = os.environ["XAI_API_KEY"]
WS_URL = "wss://api.x.ai/v1/voice/agent"
async def connect_agent():
headers = {"Authorization": f"Bearer {API_KEY}"}
async with websockets.connect(WS_URL, extra_headers=headers) as ws:
# セッション開始時に利用する音声(voice_id)を指定
await ws.send('{"type":"session.start","voice":"custom_voice_id"}')
async for message in ws:
print("受信:", message)
asyncio.run(connect_agent())動作環境: Python 3.11+, websockets ライブラリ最新版。XAI_API_KEYはハードコードせず環境変数から読み込むこと。エンドポイント名・パラメータ名は実装時に必ず最新のAPIドキュメント(docs.x.ai)で再確認してほしい。
Custom Voicesで生成したvoice_idを使う場合も、上記のvoiceパラメータに渡すだけで既存のTTS/Voice Agent APIの呼び出しをそのまま流用できる。
単純にテキストを音声化するだけであれば、Text to Speech APIをcURLで呼び出す方が手早い。スピーチタグを本文に埋め込めば、生成される音声の抑揚も同時に制御できる。
curl -X POST "https://api.x.ai/v1/audio/speech"
-H "Authorization: Bearer $XAI_API_KEY"
-H "Content-Type: application/json"
-d '{
"input": "[pause] お待たせいたしました。<emphasis>担当者</emphasis>におつなぎします。",
"voice": "custom_voice_id"
}' --output response.wav動作環境: curl(または任意のHTTPクライアント)。エンドポイントURL・パラメータ名は実装時に公式ドキュメント(docs.x.ai)で最新版を確認すること。
注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。API仕様は更新される可能性があるため、実装時は公式ドキュメントの最新版を確認すること。
【要注意】よくある失敗パターンと回避策
失敗1:ガードレールを設定しないまま本番投入する
音声エージェントは会話の自由度が高い分、想定外の受け答えをするリスクもテキストチャット以上にある。「してはいけないこと」の制限と、人間へのエスカレーション条件は、テスト通話の段階で必ず固めておくこと。
失敗2:電話番号のSIP移行を後回しにする
既存の電話番号をそのまま使いたい場合、SIP経由での移行には社内の電話システム担当者との調整が必要になることが多い。本番投入のスケジュールが逼迫する原因になりやすいため、早い段階で着手する。
失敗3:スピーチタグを使いすぎる
[pause]や<whisper>のようなタグは効果的だが、多用すると不自然な話し方になる。案内文の要所や感情を込めたい一文だけに絞って使うのが実務上のコツだ。
失敗4:可観測性(通話録音・文字起こし)を見ずに放置する
Voice Agent Builderは全通話を録音・文字起こしする機能を備えているが、これを定期的に確認する運用ルールを決めておかないと、クレーム対応や品質改善が後手に回る。週次でのログレビュー体制を最初から組み込んでおくこと。
失敗5:コスト試算をせずに全トラフィックを移行する
音声1分あたり5セントという料金は明快だが、通話時間が長くなりがちな業務(丁寧なヒアリングが必要な相談窓口等)では想定より費用がかさむことがある。まず一部のトラフィックだけをパイロット運用し、実測値をもとに全体のコスト試算をアップデートしてから本格移行するのが安全だ。
よくある質問
Q1. Voice Agent Builderとは何ですか？
xAIが2026年7月1日にベータ公開した、Grok Voice上で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す。通話フローを自然文で記述するだけで、電話連携・ナレッジ検索・ツール連携・ガードレール・可観測性までを統合した音声エージェントを約2分で作成できます。
Q2. Voice Agent BuilderとVoice Agent APIの違いは何ですか？
Voice Agent APIはWebSocket経由でリアルタイム音声エージェントを自前で実装するための開発者向けAPIです。一方Voice Agent Builderは、そのAPIを含む周辺機能(電話・ナレッジ・ツール・ガードレール等)をノーコードでまとめて提供するプラットフォームで、コードを書かずに構築できる点が異なります。
Q3. 料金はどのくらいかかりますか？
Voice Agent Builderは音声1分あたり5セント、xAI提供の電話番号を使う場合は電話1分あたり1セントが加わります。Voice Agent APIは1分あたり5セント(1時間あたり3ドル)、Text to Speech APIは100万文字あたり15ドルです(いずれもxAI公式発表、2026年7月時点)。
Q4. 何言語に対応していますか？
Grok Voiceは25以上の言語に対応しています。2026年7月6日に追加された21の新音声も、既存5音声とあわせてすべて多言語対応です。
Q5. 音声クローニング(Custom Voices)は安全ですか？
xAIはパスフレーズ確認(リアルタイム音声認識による検証)と話者確認(声紋比較)の2段階認証を実装しており、既存の録音データからのクローニングや他人の声の無断クローンはできない設計になっています。ただし社内での運用ルール(利用範囲・承認フロー)は別途自社で整備する必要があります。
Q6. ElevenLabsやVapiと比べてどちらを選ぶべきですか？
最速でノーコード運用したい、かつコスト構造をシンプルに見積もりたい場合はxAIのVoice Agent Builderが向いています。既存のLLM・TTSベンダーとの組み合わせを柔軟に選びたい、または既にVapiやElevenLabsのスタックで開発が進んでいる場合は、無理に乗り換えずパーツ単位での最適化を検討する方が現実的です。
まとめ:今日から始める3つのアクション
- 今日やること：xAIコンソールでVoice Agent Builderのベータにアクセスし、シンプルな通話フロー(営業時間案内など)を1つ試作してみる。
- 今週中：自社の想定トラフィック(月間通話分数)でコスト試算を行い、Vapi・ElevenLabs等の既存導入コストと比較する。
- 今月中：ガードレール設定と可観測性(通話ログレビュー)の運用ルールを整備したうえで、本番電話番号での小規模パイロット運用を開始する。
参考・出典
- Introducing the Voice Agent Builder — xAI公式発表(参照日: 2026-07-09)
- 21 New Flagship Grok Voices — xAI公式発表(参照日: 2026-07-09)
- Voice API: Build Voice Agents That Speak, Think, and Act — xAI公式(参照日: 2026-07-09)
- Voice Overview — xAI開発者ドキュメント(参照日: 2026-07-09)
- Custom Voices — xAI公式発表(参照日: 2026-07-09)
- ElevenAgents Pricing — ElevenLabs公式(参照日: 2026-07-09)
- Vapi Pricing — Vapi公式(参照日: 2026-07-09)
- OpenAI API Pricing — OpenAI公式(参照日: 2026-07-09)
あわせて読みたい:
- AIエージェント実装ロードマップ｜RAG・実行・運用の必須技術【2026】 — AIエージェント実装全体の技術ロードマップ
- VoicePipelineで作る音声AIエージェント完全ガイド2026 — 別プラットフォームでの音声エージェント実装パターン
- Grok無料枠はどこまで？料金プラン比較【2026年最新】 — Grokエージェント全体の料金体系
- 【2026年最新】Grokエージェント業務活用7選 — Grokエージェントの業務活用パターン
この記事を読んで音声AIエージェントの導入イメージが固まってきた方へ
UravationではAIエージェント導入の研修・コンサルを行っています。
著者: 佐藤傑(さとう・すぐる)
株式会社Uravation代表取締役。X(@SuguruKun_ai)フォロワー約10万人。著書『AIエージェント仕事術』。
