9月19日、Michal Sutterが「SpaceXAI Releases Grok Voice Transcribe 2.0: A Speech-to-Text API Claiming 2x Accuracy Over 1.0 at $0.10 per Hour」と題した記事を公開した。イーロン・マスク率いるxAI（X.AI Corp）が音声認識API「Grok Voice Transcribe 2.0」をリリースし、前バージョン比で精度2倍・価格据え置きを主張している。本番環境の実音声データで訓練されたモデルが公開ベンチマークの首位を取ったとする内容は、競合ひしめくSTT市場で注目に値する。

補足：xAI（X.AI Corp）はイーロン・マスクが2023年に設立したAI企業で、SpaceXとは別法人である。Grokはxが運営するXプラットフォーム（旧Twitter）に統合されたAIアシスタントとして広く知られているが、今回のAPIはxAIが独自に提供する開発者向けサービスだ。

精度2倍、価格据え置き——何が変わったのか

Grok Voice Transcribe 2.0は、xAIが公開した音声認識（STT: Speech-to-Text）APIの最新版だ。モデルIDはgrok-voice-transcribe-2.0で、元記事公開日（9月18日）よりAPIとして利用可能。オープンウェイトの公開はなく、APIとしてのみ提供される。

最大の変更点は多言語の短文認識精度だ。19言語を対象とした短フレーズ（車内コマンドなど）のWER（Word Error Rate：単語誤り率）が、20.6%から6.8%へと約67%改善されている。xAIはこれを「1.0からの最大の改善点」と位置づけている。

ベースとなるモデルは、すでにGrok音声アシスタントとしてテスラ車内で稼働しており、1日数万件のカスタマーサポート通話と数百万時間のビデオ書き起こしをこなしているという。テスラとxAIは別企業だが、GrokはテスラのAIアシスタント機能として車内に統合されており、そこで蓄積された本番環境のノイズの多い実音声データで訓練されている点がこのモデルの特徴だ。研究室で整備されたデータセットではなく、現実の通話や車内音声で鍛えられたという背景は、実用精度の面で重要な差別化ポイントとなりうる。

ベンチマーク結果

xAIは、公開ベンチマークArtificial Analysis Leaderboardのストリーミング部門で、32モデル中1位を報告している。このベンチマーク（AA-WER Streaming）は約8時間の音声データを使用し、AA-AgentTalk 50%・VoxPopuli 25%・Earnings22 25%の配分で集計される。

内部ベンチマークでは以下の4カテゴリを測定している：

• Telephony（8 kHz）：英語のカスタマーサポート通話
• Conversational：Grokとの英語会話
• Credentials：電話番号・メールアドレス・住所などの認証情報
• Short phrases：19言語の音声アシスタント発話

全4カテゴリでバージョン1.0を上回り、特にTelephony分野では「テスト済みの全モデルをリードする」としている。ただし、内部結果はベンダー自己申告であり、第三者による独立検証は行われていない点は留意が必要だ。

STT市場にはOpenAI WhisperやDeepgram、AssemblyAIといった競合が存在するが、元記事ではこれらとの直接比較は示されていない。公開ベンチマークでの順位はあくまで参考指標として受け取るのが妥当だろう。

開発者向け機能一覧

同一APIに以下の機能がすべて含まれる（追加料金なし）：

• バッチ処理とリアルタイムストリーミング：ファイル・URLの書き起こし、またはWebSocket（wss://api.x.ai/v1/stt）経由のストリーミング
• 単語レベルのタイムスタンプ：開始・終了時間と信頼スコア付き
• 話者分離（Speaker Diarization）：追加コストなし
• マルチチャンネル対応：最大8チャンネルを独立して処理
• キーワードバイアス：リクエストごとに最大100語・各50文字のドメイン固有語を指定可能
• テキスト整形：数字・日付・通貨・電話番号・メールアドレスを整形済みで返却
• フィラー除去：「um」「uh」などをデフォルトで除去
• スマートターン検出：音声エージェント向けに発話終端をMLで予測

バッチエンドポイントは500 MBまでのファイルを12フォーマットで受け付ける。ストリーミングではOpusコーデックを使用することで、生PCM（24 kHz・約48 KB/s）に対して約4 KB/sに帯域を抑えられる。

料金体系

料金はバージョン1.0から変更なし。

話者分離・タイムスタンプ・キーワードバイアスはすべて料金に含まれる。

実装例

curl -X POST https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-voice-transcribe-2.0 \
  -F format=true \
  -F language=en \
  -F file=@audio.mp3

採用事例：Atlassian Loom

Atlassian LoomはGrok Voice Transcribe 2.0を採用し、全動画の書き起こしに使用している。xAIが紹介するワークフローは「録音→書き起こし→コード生成」の流れで、LoomでアクションプランをレコーディングしたあとトランスクリプトをCursorに流し込み、コード変更まで自動化するというものだ。AtlassianのSVP Sanchan Saxenaは「コンテキストからコードへのループを閉じる」と表現している。

詳細はSpaceXAI Releases Grok Voice Transcribe 2.0: A Speech-to-Text API Claiming 2x Accuracy Over 1.0 at $0.10 per Hourを参照していただきたい。