MEニュース 4月18日（UTC+8）、動察Beatingの監視によると、xAIは2つの独立した音声API：Grok Speech to TextとGrok Text to Speechをリリースしました。両者はGrok Voice、Teslaの車載システム、Starlinkのカスタマーサポートを支える同じ音声スタックから派生しており、今回は独立したエンドポイント形式で公開され、開発者は直接音声代理、リアルタイム文字起こし、アクセシビリティツール、ポッドキャストなどのアプリケーションに接続可能です。 STTは2つのモードを提供します。REST APIは大容量音声ファイルのバッチ文字起こしに用いられ、ミリ秒単位で応答します；WebSocket APIはリアルタイム音声ストリーム向けです。付帯機能には、単語レベルのタイムスタンプ、話者分離（diarization）、多チャンネル別認識、逆テキスト正規化（Inverse Text Normalization）があります。これは口語の数字、日付、通貨を自動的に標準化された構造化テキストに整形します。対応言語は25以上で、会話中にシームレスに切り替え可能です。xAIはまた、一組の誤認識率（WER、数値が低いほど良い）の比較結果も公開しました：全体シナリオではGrok 6.9%、ElevenLabs 9.0%、Deepgram 11.0%、AssemblyAI 12.9%；「電話通話エンティティ認識」の差はさらに広がり、Grok 5.0%、それに対して三者はそれぞれ12.0%、13.5%、21.3%。会議、動画ポッドキャスト、電話の三つの一般的なビジネスシーンでもGrokはわずかにリードしています。この数字はxAIが自主的にテストして公開したもので、第三者による再検証はまだありません。 価格設定は、STTのバッチ処理が0.10ドル/時間、ストリーミングが0.20ドル/時間；TTSは100万文字あたり4.20ドルです。TTSはインラインのSpeech Tagsを用いて感情や韻律を制御可能で、例として\\[laugh\\]\\、\\[sigh\\]\\、\\[whisper\\]\\などがあります。（出典：BlockBeats）
xAIがGrokのSTTとTTS音声APIを公開、STTの全体的な誤認識率を6.9%に抑制
WERの平均は良好だが、長尾言語は依然として地獄かもしれない。