xAI、文字起こしの新モデル Grok Voice Transcribe 2.0

公開 2026年10月15日 21:032 分で読めます

xAI は 9 月 18 日、音声を文字にする(文字起こし)モデル「Grok Voice Transcribe 2.0」を公開しました。Grok Voice を支える音声の基盤モデルをもとにしたモデルで、さまざまな環境で録った雑音の多い、複数の言語の音声で学習しています。料金は前の Grok Voice Transcribe 1.0 と同じです。

要点

料金は録音の文字起こしが音声 1 時間 $0.10、リアルタイムが 1 時間 $0.20 です。
話者の区別・単語ごとの時刻・用語の指定は、追加の料金なしで使えます。
実際の環境での評価で、1.0 の 2 倍の正確さだとしています。
Artificial Analysis の一覧で、リアルタイム型の 32 のモデルの中で正確さが 1 位だとしています。
言語を自動で見分け、録音の途中で言語が変わっても 1 回で書き起こします。
短い言葉の評価では、単語の誤り率が 20.6% から 6.8% に下がりました。
2.0 が API の標準になり、1.0 は数週間のうちに非推奨になる予定です。

電話の音声、Grok との会話、読み上げた電話番号やメールアドレス、19 の言語の短い音声コマンドの 4 つの社内の評価で、すべて 1.0 より正確になり、電話の音声では試したすべてのモデルを上回ったとしています。最大 8 チャンネルの別々の書き起こし、1 回に最大 100 語の専門用語の指定、「えー」などのつなぎ言葉の削除、話し終わりの検出にも対応します。今の Speech-to-Text API の利用者は、コードを変えずに精度の向上を受けられます。

日本の利用者にとって

xAI の API のドキュメントでは、Grok Voice Transcribe 2.0 が対応する 38 以上の言語の一覧に日本語が含まれています。数字や通貨を書き言葉の形に直す整形の機能も日本語に対応しています(10 月 15 日時点)。料金は米ドルで示されています。

YOBITSUGI AI で使えるか

YOBITSUGI AI では xAI の Grok 4.7・Grok 4.3・Grok Imagine 2.0・Grok Imagine Video 1.5 を使えます。今回発表された Grok Voice Transcribe 2.0 は、現時点の対応モデルには含まれていません。音声で聞いて音声で答えるモデルについては、xAI、音声どうしで話すモデル Grok Voice 3.0 を公開にまとめています。