ME News ニュース、4月18日（UTC+8）、xAIは最近、Grok 音声認識（STT）と Grok テキスト音声合成（TTS）の2つの独立した音声APIを正式にリリースしたことを発表しました。Grok STTは高精度、低遅延の文字起こしサービスを提供し、REST APIによるバッチ処理とWebSocket APIによるリアルタイムストリーミング文字起こしをサポートし、単語レベルのタイムスタンプ、話者分離、多声道対応、インテリジェント逆テキスト正規化機能を備えています。記事によると、電話通話、会議、ビデオ/ポッドキャストなど複数の分野のベンチマークテストにおいて、その単語誤り率はElevenLabs、Deepgram、AssemblyAIなどの主流商用モデルより優れているとのことです。このサービスは25以上の言語をサポートし、価格はバッチ処理が1時間あたり0.10ドル、ストリーミング処理が1時間あたり0.20ドルです。Grok TTSは、迅速で自然かつ表現力豊かな音声を生成でき、簡単な音声タグによる細粒度コントロールをサポートし、価格は100万文字あたり4.20ドルです。両方のAPIは、Grok Voice、テスラ車両、Starlinkの顧客サポートに提供されている同じ技術スタックに基づいています。（出典：InFoQ）
xAI が Grok 音声からテキストへの変換とテキストから音声への変換 API をリリース