xAI: Grok Voice STT
grok-voice-stt- 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xAIの音声認識(Speech-to-Text)モデルであり、録音された音声をテキストのトランスクリプトに変換します。一般的な音声ファイル形式に対応しており、単語単位のタイムスタンプを返します。また、ストリーミング、話者分離、チャンネル分離、言語ごとの数値や通貨のフォーマットについては、xAIが別途ドキュメントを提供しています。キャプション作成、検索可能な会議録、その後のテキスト分析に利用する通話記録の文字起こしにご活用ください。
得意なこと
- 単語単位のタイムスタンプにより、トランスクリプトからキャプション、特定の場面へのジャンプ検索、字幕ファイルを直接作成できます。
- xAIは話者分離(ダイアライゼーション)とマルチチャンネル文字起こしをネイティブオプションとしてドキュメント化していますが、これらに依存する前に、現在のモデル詳細を確認してください。
- 言語ヒントやプロンプトキーワードを使用することで、製品名や専門用語の認識精度を高めることができます。
- テキストフォーマット機能により、数値、日付、通貨が話し言葉の表記ルールに従って出力されます。
他のモデルを検討すべきケース
- 本モデルはトランスクリプトの生成のみを行います。音声からの要約、翻訳、回答には、別途テキストモデルが必要です。
- 非常にノイズの多い録音の場合、音声検出のしきい値を調整するか、入力音声をクリアにする必要がある場合があります。
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。
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/transcriptionscurl -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"
パラメータ
音声からテキストへ
| パラメーター | 値と制限 | デフォルト | 注記 |
|---|---|---|---|
file | 入力数: ≥ 1, ≤ 1 | 未提供 | Send one audio file in multipart/form-data. Maximum file size is 25 MiB. |
language | 未提供 | 未提供 | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
prompt | 未提供 | 未提供 | 未提供 |
response_format | json, text, verbose_json | json | 未提供 |
timestamp_granularities | word | 未提供 | 未提供 |
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
料金
1秒あたり- Verified 価格
- —
- Official 価格
- $0.0000281秒あたり
| Official 価格1秒あたり | Verified 価格1秒あたり | 割引 | |
|---|---|---|---|
| 価格 | $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
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
録音された通話を単語単位のタイムスタンプ付きでテキスト化し、その後要約モデルに渡してアクションアイテムを抽出します。
動画用字幕
アップロードされた動画の音声トラックから、単語単位のタイムスタンプを使用して時間指定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
通話録音を文字起こしし、テキスト内でコンプライアンスフレーズをスキャンします。話者やチャンネルのラベル付けはxAIのネイティブオプションですが、ここでのモデル詳細には記載されていません。
プロンプト例
この20分間の英語ポッドキャストクリップを、単語単位のタイムスタンプ付きで文字起こししてください。
添付の顧客通話を文字起こししてください。その際、「Zyntra」、「OmniPlan」、「SLA」というキーワードを使用して認識を補正してください。
このスペイン語のボイスメモをテキストに変換し、金額を通貨形式でフォーマットしてください。
FAQ
Grok Voice STTは何ができますか?
音声をテキストに変換します。音声ファイルを送信すると、設定に応じて単語単位のタイムスタンプを含むトランスクリプトが返されます。xAIのネイティブサービスでは、話者ラベルやチャンネルごとのテキストについてもドキュメント化されています。
どの音声形式を読み込めますか?
xAIはMP3、WAV、FLAC、Opusを含む12の形式を挙げています。ここにリンクされている文字起こしエンドポイントでは、25MB以下の音声ファイルをアップロードしてください。xAIのネイティブファイルエンドポイントには500MBの上限が記載されていますが、これはこちらのアップロード制限を拡張するものではありません。
ライブ文字起こしに対応していますか?
xAIは中間結果を返す別のストリーミングエンドポイントをドキュメント化しています。ここにリンクされているモデル詳細は現在ファイル文字起こしのみを対象としているため、ファイルのアップロードを前提としてください。ライブ文字起こしに依存する前に、現在のモデル契約を確認してください。
何言語に対応していますか?
xAIは25以上の言語について、文字起こしと言語固有のフォーマットをドキュメント化しています。言語が判明している場合は言語ヒントを渡すことで、認識の推測を避けることができます。
話者を識別できますか?
xAIは話者分離とマルチチャンネルモードを個別のネイティブオプションとしてドキュメント化しています。ここにリンクされているモデル詳細には話者分離やマルチチャンネルの記載はなく、プレーンテキストで話者ラベルを要求しても有効にはなりません。これらに依存する前に、現在のモデル契約を確認してください。
Grok Voice STT の料金はいくらですか?
TokenLab では Grok Voice STT は $0.000028 1秒あたり です。詳細は上の料金表を参照してください。
Grok Voice STT はどのエンドポイントを使うべきですか?
Grok Voice STT のデフォルトは https://api.tokenlab.sh/v1/audio/transcriptions です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Grok Voice STT はどの操作に対応していますか?
Grok Voice STT は 音声からテキストへ に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Grok Voice STT を比較する
ソース
2026/10/02 時点での評価