xAI、Grok Speech to TextとText to Speech APIを公開

STTはRESTによる大容量音声ファイルの書き起こしと、WebSocketによるリアルタイム書き起こしの両方に対応する。単語単位のタイムスタンプ、話者分離（ダイアリゼーション）、マルチチャンネル音声に対応し、フォーマットを有効にすると数字、日付、通貨などを整える逆テキスト正規化も行う。25以上の言語に対応するとしている。

xAIが示した評価では、単語誤り率（WER）はGrok STTが全体で6.9%、ElevenLabsが9.0%、Deepgramが11.0%、AssemblyAIが12.9%だった。電話の固有表現は5.0%、会議は10.9%、電話音声は9.3%、動画・ポッドキャストは2.4%でElevenLabsと同値である。医療、法務、金融などの業務用途での固有表現認識に強みがあるとされる。

TTSはRESTによる長文の音声化と、WebSocketによるリアルタイム生成を提供する。[laugh]、[sigh]、[whisper]といったインラインタグや、<emphasis>、<slow>、<pause>などのラッピングタグで、複雑なマークアップなしに抑揚や感情を付けられる。

料金はSTTがバッチ$0.10/時間、ストリーミング$0.20/時間、TTSが100万文字あたり$15.00で、隠れた費用のない従量課金とされる。詳細なレート制限はxAI APIコンソールで確認できる。用途としてはボイスエージェント、リアルタイム書き起こし、アクセシビリティ、ポッドキャストなどが挙げられている。