［開発者向け］xAI、Grok音声APIを公開——高精度STTとSpeech Tags対応TTSが競合比最安値で登場

2026-04-19

はじめに

　xAI（イーロン・マスク氏が設立したAI企業）が2026年4月17日、音声認識（STT）と音声合成（TTS）の2種類のスタンドアロンAPIを公開しました。Grok VoiceやテスラのNPCシステム、Starlinkのカスタマーサポートを動かしているのと同じ技術基盤を外部開発者向けに開放したもので、音声エージェント・文字起こし・アクセシビリティ機能などの開発に活用できます。

参考記事

タイトル: Grok Speech to Text and Text to Speech APIs
著者: xAI
発行元: xAI
発行日: 2026年4月17日
URL: https://x.ai/news/grok-stt-and-tts-apis

要点

xAIがGrok音声認識(STT)と音声合成(TTS)のスタンドアロンAPIを公開した
STTはバッチ $0.10/時間・ストリーミング $0.20/時間で、主要競合の中で最安値水準である
複数ドメインのWord Error Rate比較でGrok STTがElevenLabs・Deepgram・AssemblyAIを上回った
TTSは100万文字あたり $4.20で、OpenAI($30.00)やElevenLabs($50.00)と比べ大幅に安価である
[laugh]・[whisper]などのSpeech Tagsで音声の感情・抑揚をきめ細かく制御できる

詳細解説

Grok STT・TTS APIの概要

　xAIが発表したGrok STT・TTS APIは、Grok Voice、テスラ車両、Starlinkのカスタマーサポートを動かしているのと同じ技術スタックを外部に開放したものです。これまでGrokの音声機能は同社サービス内でのみ利用可能でしたが、今回のAPIにより、外部の開発者が自社アプリケーションへ高品質な音声機能を直接組み込めるようになりました。REST APIに加え、リアルタイムトランスクリプションや音声生成に対応したWebSocket APIも提供されています。

音声認識(STT)の性能

　xAIによれば、Grok STTは電話音声・動画/ポッドキャスト・会議・電話回線の4ドメインで主要商用モデルとのWord Error Rate（語誤り率、低いほど高精度）比較を実施しています。オーバーオールスコアはGrok STTが 6.9% で、ElevenLabs(9.0%)・Deepgram(11.0%)・AssemblyAI(12.9%)を上回りました。固有名詞や専門用語が多いPhone Call Entitiesドメインではとりわけ顕著で、Grok STTが 5.0% に対し2位のElevenLabsが12.0%と大きな差がついています。

ドメイン	Grok STT	ElevenLabs	Deepgram	AssemblyAI
Phone Call Entities	5.0%	12.0%	13.5%	21.3%
Video/Podcasts	2.4%	2.4%	3.0%	3.2%
Meetings	10.9%	12.2%	16.3%	15.7%
Telephone	9.3%	9.4%	11.0%	11.2%
Overall	6.9%	9.0%	11.0%	12.9%

　なお、この性能比較はxAI自身による評価であり、独立した第三者機関による検証との照合が今後の確認ポイントだと思います。

音声認識(STT)の機能詳細

　Grok STTには単語レベルのタイムスタンプ付与、複数話者を識別するDiarization（話者分離）、マルチチャンネル音声対応が備わっています。Diarizationは、会議録やコールセンター録音のように複数話者が入り混じる音声ファイルの解析に有効で、事前収録・リアルタイムストリーミングの両方に対応しています。

　また「Inverse Text Normalization」機能も特徴的です。通常の文字起こしは発話音声をそのまま文字列に変換しますが、この機能を有効にすると数字・日付・通貨・メールアドレスなどを適切な表記形式に自動変換します。たとえば「4145551234」という発話を「(414) 555-1234」に、「ドットbowen at bestbank dot com」を「[email protected]」に変換するといった処理が行われます。業務用途でのデータ整形工数を削減できると考えられます。言語サポートは25言語以上で、切り替えなしに複数言語の文字起こしが可能とされています。

　価格はバッチ処理が $0.10/時間、ストリーミングが $0.20/時間です。AssemblyAI($0.21/$0.45)、ElevenLabs($0.22/$0.39)、Deepgram($0.31/$0.55)と比べ低価格に抑えられています。

音声合成(TTS)の特徴と価格

　Grok TTS APIの注目機能が「Speech Tags」と呼ばれる表現制御の仕組みです。テキスト内にインラインでタグを記述するだけで、音声の感情や抑揚を細かく制御できます。利用可能なタグには [laugh]（笑い）・[sigh]（ため息）・[whisper]（ひそひそ声）・<emphasis>（強調）・<slow>（ゆっくり）・<pause>（間）などがあります。類似した音声タグによる表現制御は、GoogleもGemini 3.1 Flash TTS（https://jobirun.com/google-gemini-3-1-flash-tts-audio-tags/）で実装しており、各社でこの機能領域の充実が続いていると言えます。

　価格面では100万文字あたり $4.20 と設定されており、OpenAI($30.00)・InWorld AI($40.00)・Cartesia($46.70)・ElevenLabs($50.00)との比較で大幅に安くなっています。利用形態はREST API（長文の一括変換）とWebSocket API（リアルタイム音声生成）の両方に対応しています。

活用シーンと留意点

　xAIは音声エージェント・リアルタイム文字起こし・アクセシビリティソリューション・ポッドキャスト制作・インタラクティブ音声体験を主な活用シーンとして挙げています。STTの評価ドメインに医療・法律・金融向けのエンタープライズユースが含まれている点は、ビジネス利用への対応を意識した展開だと思います。

　価格の大幅な引き下げは、音声機能の実装コストを下げたい中小規模の開発者や新興サービスにとって選択肢の広がりを意味すると考えられます。ただし、xAI製品全般を通じてサービス安定性・プライバシーポリシーの確認は導入前に行うことが重要だと思います。

まとめ

　xAIが公開したGrok STT・TTS APIは、性能・価格ともに競合に対して明確な優位性を打ち出した内容です。Speech Tagsによる感情表現の制御や、業務用途を意識したInverse Text Normalizationなど実用性の高い機能が揃っています。音声AI領域のAPI競争が激化するなか、各社APIの選定が開発者にとって重要な判断ポイントになると思います。リアルタイム音声AIの最新動向についてはこちらの記事でも解説しています（https://jobirun.com/google-gemini-3-1-flash-live-realtime-voice-ai/）。