xAI、精度を倍増させた音声認識「Grok Voice 2」公開

イーロン・マスク氏率いるxAI（イーロン・マスク氏が設立した人工知能開発企業）は、最新の音声認識（Speech-to-Text）モデル「Grok Voice Transcribe 2.0（高い実環境認識精度と低価格を両立したxAIの音声文字起こしモデル）」を正式リリースしました。前世代のバージョン1.0と比較して認識精度を倍増（単語誤り率を大幅低減）させ、独立ベンチマーク「Artificial Analysis」のストリーミング音声認識リーダーボードにおいて首位を獲得しています。

価格据え置きで精度倍増、Atlassian Loomが採用

xAIの公式発表によると、Grok Voice Transcribe 2.0は同社の「Grok（xAIが開発するフロンティアAIモデルシリーズ） Voice」の音声基盤モデルをベースに構築されています。この基盤はテスラ（Tesla）車載アシスタントや毎日数万件規模のカスタマーサポート通話、数百万時間の動画音声解析など過酷な実環境データで鍛え上げられています。

ノイズの多い電話回線、複数話者の重なり、方言、英数字やメールアドレスの読み上げといった実世界の困難な音声に特化して最適化されており、短文発話（車載コマンド等）での単語誤り率（WER（音声認識の誤り割合を示す指標（Word Error Rate）。低いほど高精度））は20.6％から6.8％へと劇的に低下しました。

API利用価格は前世代から完全据え置きとなっており、バッチ処理は1時間あたり0.10ドル（約15円）、リアルタイムストリーミング処理は1時間あたり0.20ドル（約30円）です。この価格には、話者分離（Diarization）、単語単位のタイムスタンプ、最大100件のドメイン専門用語指定（Key term biasing）、フィラー除去（「あー」「えー」の除外）が標準で含まれます。

また、画面録画共有ツール大手のAtlassian Loomが文字起こしエンジンとして本モデルの採用を発表しました。Loomで録画した指示内容を文字起こしし、AIエディタCursorに流し込んで自動でコード修正を完了させるという新たなワークフローが紹介されています。

独自価値要素：主要音声APIとの機能・価格比較と日本での実務活用

主要なクラウド音声認識APIとのスペックおよび価格の比較は下表の通りです。

モデル・サービス	提供ベンダー	バッチ価格 (1時間)	ストリーミング価格 (1時間)	特徴・機能
Grok Voice Transcribe 2.0	xAI	$0.10	$0.20	Leaderboard首位、話者分離無料、最大8ch、用語バイアス
Scribe v2 Realtime	ElevenLabs	約$0.40	約$0.60	高精度だがストリーミング単価が比較的高め
Nova-3	Deepgram	約$0.15	約$0.25	高速・高精度モデル、機能ごとに追加課金体系あり
Whisper API (Large-v3)	OpenAI	$0.36	非対応（サードパーティ製のみ）	多言語対応が強力だがバッチのみで単価高め

日本の開発者・企業への影響

日本のコールセンターやウェビナー配信事業者、議事録作成ツール開発者にとって、1時間あたり15〜30円という破壊的な低価格で、高精度な話者分離と単語タイムスタンプが利用できる点は極めて強力です。多言語自動認識にも対応しており、日本語と英語が混ざった技術ミーティングの文字起こしにも活用できます。

分析と今後の展望

編集部注: これまで音声認識市場はOpenAIのWhisperやDeepgramが主導権を握っていましたが、xAIがテスラの車載データやX（旧Twitter）の動画データを武器に、圧倒的な低コスト・高精度モデルを投入したことで競争環境は一変しました。特にAtlassian Loomのような大規模SaaSが基幹エンジンに採用したことは、xAIが消費者向けチャットボットだけでなく、エンタープライズ向け開発プラットフォームとしても本格的な地歩を固め始めたことを示しています。

引用元：xAI | Artificial Analysis | Unite.AI | explainx.ai | TNW | Apps