xAI: Grok Voice STT

Grok Voice STTは、録音された音声をテキストに変換します。言語ヒントとタイムスタンプ制御により、キャプション、検索、またはその後のテキスト分析ステップに供給する文字起こしに役立ちます。

grok-voice-stt

利用可能xAI音声テキスト変換同期

価格: 価格 $0.000028
モダリティ: オーディオ

Grok Voice STT について

Grok Voice STTは、録音またはストリーミングされた音声をテキストの文字起こしに変換するxAIの音声認識モデルです。一般的な音声ファイル形式を受け入れ、単語レベルのタイムスタンプを返し、話者やチャンネルを分離し、言語ごとに数値や通貨をフォーマットします。キャプション、検索可能な会議記録、およびその後のテキスト分析に送る通話記録などに使用してください。

得意なこと

単語レベルのタイムスタンプにより、文字起こしからキャプション、特定の瞬間へのジャンプ検索、字幕ファイルの作成が容易になります。
話者分離（ダイアライゼーション）とマルチチャンネル文字起こしにより、会議や双方向の通話録音で誰が何を言ったかを分離します。
言語ヒントとカスタム用語リストにより、製品名や専門用語の認識精度を高めます。
テキストフォーマット機能により、数値、日付、通貨をその言語の書き方に合わせて出力します。

他のモデルを検討すべきケース

これは文字起こしのみを行います。音声からの要約、翻訳、または回答には、その後にテキストモデルが必要です。
非常にノイズの多い録音では、許容できる精度を得るために音声検出のしきい値を調整するか、よりクリアな入力が必要になる場合があります。

はじめに

最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
02
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
音声からテキストへTokenLab エンドポイント
POST/v1/audio/transcriptions
```
curl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \
  -H "Authorization: Bearer sk-xxx" \
  -F file="@audio.mp3" \
  -F operation="stt" \
  -F response_format="json" \
  -F model="grok-voice-stt" \
  -F language="en"
```

料金

Official価格はモデル提供者の公開基準です。TokenLab価格はTokenLabでのご利用料金です。

料金

1秒あたり

Official: $0.0000281秒あたり
公式価格: $0.0000281秒あたり

	公式価格1秒あたり	Official1秒あたり	割引
価格	$0.0000281秒あたり	$0.0000281秒あたり	—

使用状況とアクティビティ

成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。

使用量と可用性

過去24時間

リクエスト数
成功率
P95 レイテンシ
合計トークン数

モデルパフォーマンス

最終更新日時: 2026年10月3日 19:23 UTC

プライバシーおよびデータ量のしきい値に達すると、メトリクスが表示されます。

データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。

Consoleで開く

ConsoleでGrok Voice STTを開き、プロンプトを編集・送信できます。

grok-voice-sttと/v1/audio/transcriptionsで音声をテスト。結果とコストを表示します。

ユースケース

会議の文字起こし
話者がラベル付けされた録音通話を文字起こしし、そのテキストを要約ツールに渡してアクションアイテムを抽出します。
動画の字幕
単語のタイミング情報を使用して、アップロードされた動画の音声トラックからタイムコード付きのキャプションを生成します。
コールセンターの品質レビュー
エージェントと顧客を別々のチャンネルに分けた2チャンネル録音を文字起こしし、コンプライアンスフレーズが含まれているかスキャンします。