xAI、コード不要で人間の声をクローンできる「Voice Agent Builder」をリリース

概要：2026年7月1日、xAIが「Voice Agent Builder」をリリース

xAI（イーロン・マスク氏が設立したAI企業）は2026年7月1日、コードを一切書かずにAI音声エージェントを構築・デプロイできるノーコードプラットフォーム「Voice Agent Builder」 をローンチしました 。本製品は、2026年4月の「Grok Voice Think Fast 1.0」、5月の「Voice Agent API」と「Custom Voices」に続く、xAIの音声AIスタックの集大成といえます 。

主要な機能

• ノーコードビジュアルビルダー：プロンプト、会話フロー、応答をUI上でドラッグ＆ドロップで設計。開発者の手を借りずに音声エージェントが作れます 。
• 80以上のプリセット音声 + 音声クローン：「Custom Voices API」を使い、約1分間の音声サンプルから任意の人間の声をクローン。本人確認プロセスを経て、約2分で利用可能になります 。
• Grok Voice Think Fast 1.0搭載：サブ秒レベルの応答速度、マルチステップ推論、リアルタイム音声対話を実現 。
• ツール呼び出し（関数呼び出し）：Web検索、X（旧Twitter）検索、カスタムAPI、MCPツールを会話中に実行可能 。
• 電話システムとの統合：SIP、WebSocket、LiveKit経由で公衆電話網（PSTN）との発着信が可能 。
• ファイル取得：アップロードされたドキュメントから情報を引用できます。
• 100以上の言語対応：Custom Voices APIにより多言語出力に対応 。
• テキスト入力料金：テキストメッセージ1件あたり0.004ドル 。

動作の仕組み

1. ユーザーがxAIプラットフォームのビルダーUIを開く。
2. 音声を選ぶ（プリセットから選択、または短い音声クリップからクローン）。
3. エージェントの指示、ツール、会話ロジックを視覚的に設定。
4. WebSocket、SIP、LiveKit経由でリアルタイム双方向音声ストリーミングに接続 。
5. 通話料金は、音声1分あたり0.05ドル（約8円／1時間あたり約480円）＋テキスト入力メッセージ1件あたり0.004ドル 。

料金比較：1分0.05ドル（約8円）の本当の意味

xAIの1分0.05ドルは、音声認識（STT）、大規模言語モデル（LLM）による推論、音声合成（TTS）を含むフルスタックをカバーした、オールインワンの音声エージェントコストです 。

競合との比較

プラットフォーム	表面レート	含まれるもの	実質的な総コスト（目安）
xAI Voice Agent Builder	1分0.05ドル	Grok音声スタック全体（STT+LLM+TTS+電話接続）	約0.05ドル/分（一体型）
Vapi	1分0.05ドル	プラットフォーム手数料のみ。STT、LLM、TTS、電話接続は別途実費	0.15〜0.31ドル/分
Retell AI	1分0.07ドル	音声エンジンのみ。LLM費用は別途	0.11〜0.19ドル/分
Bland AI	0.11〜0.14ドル/分	完全一体型（STT+LLM+TTS+電話接続）	0.11〜0.14ドル/分

重要なポイント：VapiはxAIと同じ0.05ドルという表面上の料金ですが、それはあくまで「プラットフォーム調整手数料」であり、実際のSTT、LLM、TTS、電話会社のコストは別途かかるため、実質的な通話コストは3〜6倍になります 。Retellの0.07ドルも音声エンジン層のみの価格です 。Blandは完全一体型ですが、それでもxAIの2倍以上のコストです 。xAIの1分0.05ドルは、2026年7月時点の市場で最も安い一体型料金です。

ターゲット層

• 中小企業（SMB）：飲食店、医療機関、不動産会社、ホテル、ヘルプデスクなど、開発者を雇わずにAI電話受付を導入したい事業者 。
• 非エンジニア：ノーコードビルダーにより、エンジニアチームや数ヶ月にわたる開発期間が不要 。
• 企業のカスタマーサポート部門：xAIのフルスタック（電話統合、ツール利用、ファイル取得、サブ秒応答）は、従来のIVR（自動音声応答）システムやコールセンターエージェントの大規模な置き換えを狙っています 。

戦略的意義

Voice Agent Builderは、xAIの企業向け電話インフラ市場への本格参入を意味します。Vapi、Retell AI、Bland AI、さらにはTwilioのエコシステムとの直接対決です。複数の要素が、この製品を戦略的な「土地確保」と位置づけています。

1. 垂直統合型スタック：xAIはモデル（Grok）、音声合成（Custom Voices）、推論エンジン（Think Fast 1.0）、そしてデプロイレイヤーをすべて自社で保有。競合にはこのすべての層を所有している企業はありません 。
2. 価格を武器にした市場攻略：1分0.05ドルのオールインワン価格は、競合の実質コストを大幅に下回る攻撃的な設定。市場全体の価格破壊と急速な採用拡大を狙っています 。
3. ノーコード化で市場を拡大：開発者の必要性をなくすことで、顧客層を「音声アプリを作る開発者」から「電話を受けるあらゆる企業」へと一気に広げます 。
4. APIビジネスとのシナジー：Voice Agent BuilderはVoice Agent APIの上に構築されており、利用が増えるほどAPI消費とGrokの採用が促進され、xAIプラットフォーム全体へのロックイン効果が高まります 。
5. リアルタイムAIインフラの提供：電話（SIP/PSTN）、リアルタイム音声対話、ツールを使うAIエージェントを組み合わせることで、xAIは単なるチャットボット企業ではなく、次世代のAIネイティブコンタクトセンター向けインフラプロバイダーとしての地位を確立しつつあります 。

結論：xAIは、ノーコードのUIと攻撃的なオールインワン価格を武器に、競合の分断された料金モデルを迂回し、急成長するAI音声エージェント市場の獲得を目指しています。これは、完全に自社で所有・統合されたスタックを持つxAIが、確立された音声AIプラットフォームに真っ向から挑む、野心的な一手です。