xAI「Grok Voice Transcribe 2.0」、内部評価で短文の単語誤り率を約67%削減。API料金は据え置き

まず初めに

AIの世界でよくある「性能は上がったのに値段も一緒に上がる」商売と違って、今回のxAIはちょっと律儀だ。同社の内部評価では、19言語の短文の単語誤り率を約67%減らしながら、米ドル建てのAPI料金を据え置いている。音声認識モデルの性能競争はここ最近各社が入り乱れていて、正直どれも似たような発表に見えがちだが、「同じ値段で性能だけ上げる」というやり方は、価格競争に疲れた他社から見ればなかなか嫌らしい一手だろう。※個人の感想です

何が起きているのか

xAIは2026年9月18日、音声をリアルタイムまたは録音済みファイルから文字へ変換する音声認識おんせいにんしき(ASR、Automatic Speech Recognition)モデル「Grok Voice Transcribe 2.0」を発表しました。前バージョンの「Grok Voice Transcribe 1.0」からの改善点として、複数の指標で単語誤り率(書き起こし結果が実際の発話とどれだけ異なるか)の数値を公表しています。

xAIの内部評価によると、19言語を対象とした短い音声コマンドの単語誤り率は20.6%から6.8%へ低下しました。英語の会話形式の音声では8.7%から3.3%へ、英語の電話番号やメールアドレスなどの書き起こしでは7.2%から3.2%へ、それぞれ改善したとしています。

短文の20.6%から6.8%への変化は、13.8ポイントの低下、相対的に約67%の削減です。「正答率が3倍」になったという意味ではなく、単語誤り率が元のおよそ3分の1になったということです。これらは同社の内部評価であり、IT Postが独立した文字起こし試験で再現・検証した数値ではありません。

価格は従来のモデルから据え置かれ、録音済み音声の文字起こし(バッチ処理)が1時間あたり0.10ドル、リアルタイムのストリーミング文字起こしが1時間あたり0.20ドルです。話者ごとに発言を区別する「ダイアライゼーション」機能、最大8チャンネルを独立して同時に文字起こしできる機能、単語ごとの開始・終了時刻と確信度を示すタイムスタンプ、最大100語までの固有名詞・専門用語を指定して認識精度を上げる「キーワード指定」機能が、いずれも追加料金なしで利用できるとされています。

なぜ重要なのか

音声文字起こしAIは、会議の議事録作成、コールセンターの通話記録、字幕作成など、実務での利用場面が幅広い技術です。今回の発表で特に注目されるのは、精度の改善幅が大きいにもかかわらず価格を据え置いた点です。値段をそのままにして性能だけ上積みするとは、よほど自信があるか、それだけ余裕があるということだろう。 xAIが提供するAIチャットサービス「Grok」のモデル群は、画像生成・対話AIなどの分野でOpenAIやGoogle、Anthropicと競合しており、音声文字起こしの分野でも同様の価格競争が広がりつつあることを示しています。

また、電話番号やメールアドレスといった「聞き取りにくい情報」の誤り率を具体的に示している点も実務的です。コールセンターや予約受付などの業務では、こうした情報の書き起こしミスがそのまま業務トラブルにつながりやすいため、誤り率の改善は実利用の場面で意味を持ちやすい指標です。

私たちへの影響

一般の利用者が直接このモデルを意識して使う場面は少ないと考えられますが、企業が提供する議事録作成サービス、音声入力アプリ、コールセンターの自動応答システムなど、間接的にこの種の音声認識モデルの恩恵を受ける場面は増えています。日本語を含む多言語対応をうたっているため、日本語の会議録・字幕作成サービスの精度向上につながる可能性があります。

開発者・企業向けには、xAIのAPIを通じて他のサービスに組み込む形で提供されます。既存のサービスで音声文字起こし機能を比較検討する際の選択肢の一つになります。

初心者が知っておくべきこと

「音声認識おんせいにんしき」とは、人が話した音声をコンピューターが解析し、文字データへ変換する技術です。スマートフォンの音声入力や、会議の自動文字起こしサービスなどに使われています。

「単語誤り率(WERだぶりゅーいーあーる、Word Error Rate)」とは、音声認識AIが書き起こした文章が、実際に話された内容とどれだけ異なっているかを示す指標です。数値が低いほど、書き起こしの精度が高いことを意味します。

IT Postの見方

IT Postでは、音声認識AIの価格を据え置いたまま精度だけを引き上げる動きが広がれば、議事録作成や字幕作成などを手がける中小の事業者・個人事業主にとって、コストを増やさずにサービス品質を上げられる機会になり得ると考えます。一方で、AIが書き起こした内容をそのまま正式な記録として扱う場面が増えるほど、誤り率がゼロではない以上、最終的な確認を人の目で行う体制をどこまで維持できるかが課題として残るのではないかというのがIT Postの見方です。

今後どうなりそうか

xAIは今後も音声文字起こしモデルの性能改善を続けるとみられます。OpenAIやGoogleなど競合各社も同様の音声AI分野に力を入れており、価格・精度の両面での競争が続く可能性があります。IT Postでは、関連する新しい発表があり次第あらためて取り上げます。