xAI、Grok音声認識・音声合成APIと新音声21種を公開

xAIは2026年10月19日、Grok Speech to Text(STT)とText to Speech(TTS)のAPIを公開した。あわせて、Grok Voiceの新しいフラッグシップ音声21種も発表した。新音声はすべて多言語対応で、リアルタイムのVoice Agent API、TTS API、新しいGrok Voice Agent Builderですぐに使える。既存の5種(Ara、Eve、Leo、Rex、Sal)も改良した手法で再学習され、話し方、言い回し、強調がより自然になったという。Grok Voiceは25以上の言語に対応し、約1分の音声から独自の音声をクローンすることもできる。 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、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。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。 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。内訳は電話の固有表現が5.0%、会議が10.9%、電話音声が9.3%、動画・ポッドキャストが2.4%で、動画・ポッドキャストは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が、数値はxAI自身による評価である。 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。日本語への対応状況は、報道では確認できない。

報道をもとにAIが作成しました・21 時間前更新

1. 10月19日 08:57 · 1件の報道
   xAI、音声認識・音声合成APIを公開
   xAI News:xAI、Grok Speech to TextとText to Speech APIを公開
2. 10月19日 08:57 · 1件の報道
   xAI、Grok Voiceに21の新音声を追加
   xAI News:「Grok Voice」、多言語対応の新音声21種を公開