xAI Grok Voice Transcribe 2.0: 音声認識モデルのリリースノートと新機能

xAIは2026年9月18日に、音声認識モデル「Grok Voice Transcribe 2.0」をリリースしました。同社はこのモデルについて、同じ価格でGrok Voice Transcribe 1.0の2倍の精度を実現したと説明しています。このリリースが重要なのは、ノイズの多い電話音声、複数話者、アクセント、多言語音声といった、現実世界で最も困難な音声に焦点を当てつつ、既存のSpeech-to-Text API統合をコード変更なしで維持している点です。

Grok Voice Transcribe 2.0とは

Grok Voice Transcribe 2.0は、Grok Voiceの基盤となる音声基盤モデルをベースに構築された、xAIの最新の音声認識モデルです。xAIによると、Grok Voiceは現在、毎日数万件のカスタマーサポート通話を処理し、数百万時間のビデオナレーションを文字起こしし、テスラ車両のGrokアシスタントを含む物理製品の音声エージェントを稼働させています。

このモデルは、xAIが独自のデータセットと説明する、多様な環境で録音された生のノイズ混じりの多言語音声でトレーニングされ、その後ポストトレーニングで調整されています。xAIは、この結果を現実世界の音声における最も正確な文字起こしモデルの1つとして位置づけています。

精度: Artificial Analysisで32のストリーミングモデル中第1位

公開されているArtificial Analysisリーダーボードで、Grok Voice Transcribe 2.0は32のストリーミングモデル中、精度で第1位にランクインしています。これはxAIが報告した公開ベンチマークでの順位です。

またxAIは、本番トラフィックから抽出した4つの内部セットで単語誤り率を測定しています:

カスタマーサポート通話の電話音声
Grokとの会話
アカウントコードやメールアドレスなどの音声認証情報
短い多言語音声コマンド

Grok Voice Transcribe 2.0は、4つの内部セットすべてでGrok Voice Transcribe 1.0を上回り、電話音声ではxAIがテストしたすべてのモデルをリードしています。xAIの見解では、ほとんどの文字起こしモデルはクリーンな単一話者の音声では良好に機能しますが、現実世界の音声は、不安定な電話回線、競合する声、地域のアクセント、読み上げられる電話番号やメールアドレスなどにより、より困難です。

多言語文字起こしが最大の改善点

Grok Voice Transcribe 2.0は、数十の言語を文字起こしし、言語を自動検出し、録音途中の言語切り替えにも単一パスで対応します。xAIは、多言語精度がこのモデルのGrok Voice Transcribe 1.0に対する最大の改善点であると述べています。

最も難しいケースは、車載コマンドなどの短いフレーズで、モデルが言語を識別するためのコンテキストがほとんどありません。xAIの短いフレーズセットでは、単語誤り率がバージョン1.0から2.0で20.6%から6.8%に低下しています。

機能とAPI能力

Grok Voice Transcribe 2.0は、高度な設定と制御をサポートしています。xAIは、既存のSpeech-to-Text API統合はコード変更なしで精度向上を受け取れると述べています。文書化された機能は以下の通りです:

バッチおよびストリーミング。 録音ファイルやURLを文字起こしするか、音声ストリームをリアルタイムで文字起こしします。
単語レベルのタイムスタンプ。 各単語に正確な開始時間と終了時間、および信頼スコアが付与されます。
話者分離。 文字起こし内の各話者にラベルを付けます。追加コストはかかりません。
マルチチャンネル文字起こし。 最大8チャンネルを独立して文字起こしします。
キータームバイアス。 リクエストごとに、製品名や医療用語など最大100のドメイン用語を渡すことができます。
テキストフォーマット。 数字、日付、通貨、電話番号、メールアドレスが表記形式で返されます。
フィラー語の削除。 「えーと」や「あの」などのフィラーを文字起こしから省略します。
スマートターン検出。 音声エージェント向けに、話者のターンの終わりを検出します。

Atlassian LoomがGrok Voice Transcribe 2.0を採用

スクリーン録画の記録・共有に広く使われているAtlassian Loomは、Grok Voice Transcribe 2.0が既存の文字起こしソリューションよりも正確であると判断しました。xAIは、この結果として得られるワークフローを、正確な文字起こしが新しいAIワークフローを可能にすると説明しています: Loomでアクションプランを録画し、その文字起こしをCursorに送り、Cursorが直接コード更新を行うという流れです。

「私たちは常に、コンテキストを一度取得して、それをどこにでも流すことが仕事を前進させる最善の方法であると信じてきました。GrokがLoomの音声認識を支え、Cursorがそれをコードに変換することで、コンテキストからコードへのループを閉じています: 意図したことを録画すれば、作業が完了するのです。これはAI支援開発の未来を垣間見せてくれます。」

— Atlassian Teamwork Collection担当SVP、Sanchan Saxena

価格とバージョン1.0からの移行

Grok Voice Transcribe 2.0の価格はGrok Voice Transcribe 1.0と同一です:

バッチ文字起こし: 音声1時間あたり$0.10
ストリーミング文字起こし: 音声1時間あたり$0.20
話者分離、タイムスタンプ、キータームは追加費用なしで含まれます

Grok Voice Transcribe 2.0はまもなくSpeech-to-Text APIのデフォルトとなり、Grok Voice Transcribe 1.0は数週間以内に非推奨となる予定です。移行期間中に古いモデルを使い続けるには、grok-voice-transcribe-1.0を指定してください。

このリリースが示すもの

Grok Voice Transcribe 2.0は、新しい価格帯ではなく、同じ価格での精度向上であり、xAIは数週間以内にバージョン1.0を非推奨にしながら、Speech-to-Text APIのデフォルト位置に押し上げています。電話音声、音声認証情報、短い多言語コマンドへの重点は、このモデルがクリーンなスタジオ録音ではなく、カスタマーサポート、車載アシスタント、音声エージェントなどの本番の音声ワークロードを対象としていることを示しています。Atlassian Loomの統合は、意図された下流パターンを示しています: 文字起こしの精度は最終製品ではなく、エージェントコーディングやワークフロー自動化への入力として扱われます。