9月18日、xAIが「Introducing Grok Voice Transcribe 2.0」と題した記事を公開した。音声文字起こしAPI市場では、OpenAI Whisper、AssemblyAI、Deepgramといったプレイヤーが精度・価格・機能の三軸で競合しており、導入コストを抑えながらいかに実運用精度を高めるかが差別化の焦点になっている。そうした競争環境の中でxAIが打ち出したのが「Grok Voice Transcribe 2.0」だ。価格をそのままに精度を大幅に引き上げるという方針は、既存ユーザーはもちろん、乗り換えを検討する開発者にとっても注目に値する。
価格据え置きで精度を2倍に
今回の発表で最も注目すべきポイントは「価格を変えずに精度を2倍にした」という点だ。
バッチ転写は**$0.10/時間、ストリーミングは$0.20/時間**と、Grok Voice Transcribe 1.0からの価格変更はない。話者分離（diarization）、タイムスタンプ、キーターム指定もすべてこの価格に含まれる。競合の文字起こしAPIと比較しても価格競争力は高く、精度の向上を無償で受け取れる既存ユーザーには特に恩恵が大きい。
精度の向上幅は全カテゴリで確認されており、特に多言語の短いフレーズ（音声アシスタント向け発話）では単語誤り率が20.6%から6.8%に改善した。19言語で評価されており、言語の自動検出や録音途中での言語切り替えも1パスで対応する。
実世界音声への特化設計
一般的な文字起こしモデルはクリーンな1話者音声では高精度を出せる。しかし実運用環境は異なる。電話回線のノイズ、複数話者の重なり、地域訛り、口頭で読み上げられるメールアドレスや電話番号——これらへの対応が難しい。
Grok Voice Transcribe 2.0は、こうした「難しい音声」を対象に設計されている。学習データには、多様な環境で収録されたライブ・ノイジー・多言語音声が使われており、ポストトレーニングで精度を追加チューニングしている。
公開ベンチマークであるArtificial Analysis leaderboardでは、ストリーミングモデル32モデル中で精度1位を記録している。
内部評価では4つのカテゴリで測定が行われた：
- テレフォニー（8kHz）：カスタマーサポートの通話音声（英語）
- 会話音声：Grokとの会話（英語）
- 認証情報読み上げ：電話番号・メール・住所（英語）
- 短いフレーズ：音声アシスタント向け発話（19言語）
全カテゴリでGrok Voice Transcribe 1.0を上回り、テレフォニーカテゴリでは比較したすべてのモデルを超えたとしている。
このモデルの基盤は、Teslaの車内Grokアシスタントにも搭載されているGrok Voiceの音声基盤モデルであり、すでに1日数万件のカスタマーサポート通話の処理と数百万時間の動画ナレーション文字起こしを実運用でこなしている。
APIとしての機能セット
既存のSpeech-to-Text API連携はコード変更なしでそのまま精度向上を享受できる。提供される機能は以下のとおり：
- バッチ・ストリーミング対応：録音ファイル/URLとリアルタイムストリームの両方に対応
- 単語レベルのタイムスタンプ：各単語に開始・終了時刻と信頼スコアが付与される
- 話者分離（diarization）：複数の話者が混在する音声を話者ごとに識別・分離する機能。追加料金なし
- マルチチャンネル転写：最大8チャンネルを独立して転写
- キーターム指定（biasing）：特定の語彙を優先的に認識させる「重み付け」機能。製品名や医療用語など、モデルが誤認しやすいドメイン固有語を最大100件/リクエストで指定可能。"bias"（偏らせる）という語源のとおり、認識確率を指定語に寄せる仕組みだ
- テキスト整形：数字・日付・通貨・電話番号・メールアドレスを表記形式で返す
- フィラーワード除去：「えー」「あー」に相当するフィラーを除去
- スマートターン検出：音声エージェント向けに話者の発話終了を検出
Atlassian Loomが採用
実導入事例として、動画レコーディングツールのAtlassian LoomがGrok Voice Transcribe 2.0をすべての動画の文字起こしに採用したことが紹介されている。AtlassianはGrok Voice Transcribe 2.0が既存ソリューションより高精度だったと判断した。
AtlassianのSVP、Sanchan Saxena氏は次のようにコメントしている（原文では製品名を小文字の"loom"と表記しているが、以下では正式名称「Loom」に統一した）：
「GrokがLoomの音声認識を担い、CursorがそれをコードにするというフローによってLoomの文字起こしからコードへの流れが完結する。録音した内容がそのまま成果物になる——これがAI支援開発の向かう先の一端だ。」
移行スケジュール
Grok Voice Transcribe 2.0は近日中にSpeech-to-Text APIのデフォルトモデルとなり、Grok Voice Transcribe 1.0は数週間以内に廃止（deprecated）される。移行期間中に1.0を継続使用したい場合は、grok-voice-transcribe-1.0 を明示的にピン留めすることで対応できる。
詳細はIntroducing Grok Voice Transcribe 2.0を参照していただきたい。
