xAIが「Grok Voice Transcribe 2.0」公開、精度2倍で据え置き価格

静かな会議室で録音した音声なら、現代の音声認識AIはどれもそれなりにこなします。しかし、途切れがちな電話回線や走行中の車内ノイズ、早口で読み上げられるメールアドレスや認証コードとなると、多くのモデルが途端に崩れ始めます。

xAIはそうした過酷な録音環境に照準を合わせた新型音声文字起こしモデル「Grok Voice Transcribe 2.0」を公開しました。価格を据え置いたまま従来版と比べて精度を2倍に高めたとしており、Artificial Analysisが公開しているベンチマークでは、ストリーミング文字起こしモデル32製品中、精度1位を獲得しています。

車載システムと電話窓口で鍛え上げた認識力

このモデルは、すでにテスラ車内のGrokアシスタントや、日々数万件に及ぶカスタマーサポート通話、数百万時間分の動画テロップ作成を支えている「Grok Voice」の基底モデルをベースに開発されました。

学習には、雑音や多言語、様々な訛りが混ざり合う現場の音声データセットが使われ、事後学習によって実環境への耐性を高めています。

サポート通話、Grokとの対話、アカウント番号や住所の口述、短尺音声コマンドという4つの社内実運用データによる検証でも、旧版を完全に上回る数値を記録しました。特に電話回線の音声認識では、テストしたすべての競合モデルをリードしたとしています。

特に伸びしろが大きかったのが多言語対応です。単一の処理内で言語を自動判別し、発話途中の言語切り替えにも追従します。コンテキストが極端に少ない19言語の短尺音声コマンドテストでは、単語誤り率が従来の20.6%から6.8%へと大幅に低減しました。

価格据え置きで既存APIをそのまま刷新

すでに実務への導入も始まっています。Atlassian傘下の画面録画ツール「Loom」は、プラットフォーム上の全動画の書き起こしに本モデルを採用しました。録画したタスク指示を文字起こしし、そのままCursorなどのAIエディタに渡してコード修正を自動化するといった連携も紹介されています。

利用料金は1.0と完全に同額です。バッチ処理は1時間あたり0.10ドル、リアルタイムストリーミングは1時間あたり0.20ドルで、話者分離、タイムスタンプ付与、特定用語の登録機能が追加料金なしで含まれます。

既存のAPI利用者はコードを書き換えることなく自動的に新モデルへ移行可能です。間もなく2.0がデフォルトとなり、1.0は数週間以内に廃止される予定です。

なぜ重要か

音声認識市場はコモディティ化が進み、スタジオ品質の音声によるベンチマーク争いばかりが目立っていました。

しかし私たちは、xAIのアプローチを極めて合理的だと考えています。テスラの車載環境やリアルな通話ログという独自の強みを活かし、業界で最も認識失敗が起きやすい「劣悪な音質」と「短い命令文」の精度改善に集中したからです。

ユーザーにとって、話者分離込みで1時間0.10〜0.20ドルという価格設定は圧倒的です。コールセンターの通話分析や動画字幕の自動化を抱える開発者なら、今すぐ試す価値があります。これまで雑音や方言で諦めていたパイプラインの救世主になり得ます。

一方で、ニッチな業界専門用語の認識安定性や、xAIインフラへの依存リスクについては実務環境での見極めが必要です。それでも、既存のWhisper系サービスや音声専業ベンダーにとっては大きな脅威になるはずです。