xAI、単語誤り率6.9％のGrok STTおよびTTS APIをリリース

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をリリースしました：Grok Speech to TextとGrok Text to Speech。これらは、Grok Voice、テスラの車載システム、Starlink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、独立したエンドポイントとして公開され、開発者は音声エージェント、リアルタイム転写、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直接接続できます。STTは2つのモードを提供します。REST APIは大規模な音声ファイルのバッチ転写に使用され、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。付随機能には単語レベルのタイムスタンプ、話者分離（ディアライゼーション）、マルチチャネル別識別、および逆テキスト正規化（ITN）が含まれます。ITNは、口語表現内の数字、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種以上で、会話中にシームレスに切り替え可能です。xAIは同時に、単語誤り率（WER、値が低いほど優れる）の比較結果を発表しました。全般シナリオではGrokが6.9％、ElevenLabsが9.0％、Deepgramが11.0％、AssemblyAIが12.9％。電話通話における実体認識では差がさらに広がり、Grokは5.0％に対し、それぞれの他社は12.0％、13.5％、21.3％でした。会議、ビデオポッドキャスト、電話の3つの一般的なビジネスシナリオにおいても、Grokはわずかに優れています。この数値はxAIが自社でテストし発表したものであり、第三者による再検証はまだ行われていません。価格設定では、STTのバッチ処理は0.10ドル/時間、ストリーミングは0.20ドル/時間。TTSは4.20ドル/100万文字です。TTSはインラインのSpeech Tagsを使用して感情やリズムを制御でき、例：[laugh]、[sigh]、[whisper]、（出典：BlockBeats）