SpaceXAI、Grok Voice Transcribe 2.0公開

SpaceXAIは2026年9月18日、音声文字起こしモデル「Grok Voice Transcribe 2.0」を公開した。文字起こしとは、音声データを文字データに変換する処理を指す。SpaceXAIによる実世界評価では、価格を旧モデル「Grok Voice Transcribe 1.0」と同じ水準に据え置いたまま、精度が2倍になったとしている。バッチ処理(録音済みファイルをまとめて処理する方式)は音声1時間あたり0.10ドル、ストリーミング処理(音声をリアルタイムで流しながら処理する方式)は0.20ドルで、話者ごとにラベルを付ける話者分離、発言のタイムスタンプ、専門用語をあらかじめ指定できるキーワード指定が、いずれも追加費用なしで含まれる。第三者ベンチマークのArtificial Analysisが公開しているリーダーボードでは、ストリーミングモデル32件の中で精度1位にランクされているとSpaceXAIは紹介している。

この更新が仕事の現場に与える意味は、文字起こし単体の精度が「使えるかどうか」の分岐点ではなくなりつつあるという点にある。社内カスタマーサポート通話・Grokとの会話・電話番号やメールアドレスなどの認証情報読み上げ・多言語音声コマンドという4つの評価セットで、SpaceXAIは旧モデルからの改善を確認したとしており、特に電話音声ではテストした全モデルの中で最も精度が高かったとしている。こうした社内評価と、基盤モデルの実務データでの運用実績が積み重なっている以上、この技術は実験段階を離れつつあり、ツール選定で無視できない前提になってきている。

この価格据え置きが示しているのは、文字起こしという処理がAPI提供元にとってコモディティ(差別化しにくい共通部品)化しつつあるという構造だ。話者分離やタイムスタンプは、Grok Voice Transcribe 2.0では追加費用なしで含まれる標準機能になった。既存のSpeech-to-Text API連携はコード変更なしで精度向上を受け取れるとSpaceXAIは説明しており、すでに利用しているユーザーが追加の実装作業なしに恩恵を受けられる仕組みになっている。こうなると、文字起こしAPIを組み込むアプリ側の勝負どころは、変換精度そのものではなく、変換した後のテキストを要約・検索・ワークフローに落とし込む層に移る。録音を後からテキスト化し要約するメモリス(AIボイスメモ)のような製品も、この基盤モデルの進化を土台として使いながら、実際の差別化は要約の読みやすさや検索性で問われることになる。

もう一つ、運用面で見落とせない論点がある。SpaceXAIはGrok Voice Transcribe 2.0が近くSpeech-to-Text APIの既定モデルとなり、1.0は今後数週間で非推奨になる予定だとしている。既定モデルが自動的に切り替わるということは、既存のワークフローで使っていた文字起こし結果の表記や誤認識の傾向が、利用者の操作なしに変わりうるということだ。固有名詞の誤変換パターンに合わせて後処理のルールを組んでいた場合、そのルールが新モデルでは的外れになる可能性がある。移行期間中に旧モデルの挙動を維持したい場合は「grok-voice-transcribe-1.0」を指定(pin)すれば据え置けるが、1.0自体の非推奨化が予定されている以上、これは恒久的な回避策にはならない。文字起こし結果を業務記録として保存・参照する用途で運用している場合は、既定モデルが切り替わる前に自分の音声データで新旧の出力を突き合わせ、固有名詞や専門用語の認識精度がどう変わるかを確認しておく価値がある。

SpaceXAIの発表によれば、この基盤となる音声モデルはすでにカスタナーサポート通話や動画ナレーションの文字起こし、Tesla車両のGrokアシスタントなど幅広い場面で使われているという。文字起こしの精度がインフラとして底上げされていく流れの中では、録音した音声をどう活用するかという後段の設計に、これまで以上に注意を払う必要がある。