xAIは2026年4月17日(米国時間)、音声認識API「Grok Speech to Text(STT)」と音声合成API「Grok Text to Speech(TTS)」の2つの単体音声APIを発表しました。Grok VoiceやTesla車両、Starlinkのカスタマーサポートを支えるものと同じ技術スタック上に構築されており、音声エージェントやリアルタイム文字起こしツール、アクセシビリティソリューション、ポッドキャストなど、あらゆるアプリケーションへ高品質な音声機能を簡単に組み込めるようにするものです。料金は競合より低い水準に設定されています。

Grok Speech to Textの機能

• ▸提供形態 — 大きな音声ファイルをミリ秒単位で文字起こしするREST APIと、最低遅延のWebSocket APIによるリアルタイム文字起こし
• ▸付加機能 — 単語レベルのタイムスタンプ、話者分離(ダイアライゼーション)、マルチチャンネル対応
• ▸Inverse Text Normalization — 数値・日付・通貨などの話し言葉を適切な構造化表記へ賢く変換
• ▸多言語対応 — 25以上の言語をサポートし、発話中の言語切り替えにもシームレスに追従

話者分離は録音済み音声とリアルタイムストリーミングの双方で利用でき、単語レベルの話者IDを付与します。マルチチャンネル音声の文字起こしでは完全な話者分離が可能です。

精度: 主要商用モデルとの比較

• ▸電話でのエンティティ認識 — Grok STT 5.0%(ElevenLabs 12.0%、Deepgram 13.5%、AssemblyAI 21.3%)
• ▸動画・ポッドキャスト — 2.4%(ElevenLabs 2.4%、Deepgram 3.0%、AssemblyAI 3.2%)
• ▸会議 — 10.9%、電話音声: 9.3%でいずれも競合3社を上回る
• ▸総合 — 6.9%(ElevenLabs 9.0%、Deepgram 11.0%、AssemblyAI 12.9%)

数値は単語誤り率(WER)で、低いほど高精度です。固有表現の認識に優れ、医療・法務・金融といったビジネス用途に強いとしています。

Grok Text to Speechの機能

長文テキストの音声化にはREST API、リアルタイムの音声生成にはWebSocket APIを利用できます。[laugh](笑い)、[sigh](ため息)、[whisper](ささやき)といったインラインのスピーチタグや、<emphasis>(強調)、<slow>、<pause>などのタグをテキストに埋め込むだけで、複雑なマークアップなしに自然な抑揚や感情を備えた生き生きとした話し方を実現できます。

料金

• ▸STT(バッチ) — 1時間あたり0.10ドル(AssemblyAI 0.21ドル、ElevenLabs 0.22ドル、Deepgram 0.31ドル)
• ▸STT(ストリーミング) — 1時間あたり0.20ドル(ElevenLabs 0.39ドル、AssemblyAI 0.45ドル、Deepgram 0.55ドル)
• ▸TTS — 100万文字あたり15.00ドル(OpenAI 30ドル、InWorld AI 40ドル、Cartesia 46.70ドル、ElevenLabs 50ドル)

使用量ベースの分かりやすい課金で隠れた費用はないとしており、詳細な料金とレート制限はxAI APIコンソールで確認できます。