Grok Voice Transcribe 2.0で文字起こしの誤り率が低下、デフォルトモデルの切り替えに注意

SpaceXAIは9月18日、Grok Voice Transcribe 2.0を発表した。音声1時間あたりの料金は、バッチ処理が0.10米ドル、ストリーミングが0.20米ドルで据え置かれる。同社によると、モデルはノイズを含む音声や多言語音声で学習し、事後学習による調整も実施。電話音声、口頭で読み上げるアカウント番号、短い指示の認識を改善した。社内の多言語短文テストでは、単語誤り率が20.6%から6.8%に低下したが、これはあくまで提供元による測定値だ。[発表記事](https://x.ai/news/grok-voice-transcribe-2)

独立した評価結果はArtificial Analysisが提供している。9月19日の確認時点で、非ストリーミングのランキングにおける単語誤り率は、2.0が2.3%、1.0が4.0%だった。一方、同じ表に示された処理速度の倍率は242.1から155.1へ低下しており、精度の向上がすべての処理負荷での高速化を意味するわけではない。これは音声全体を対象としたバッチ処理の測定であり、音声エージェントの応答待ち時間に直接換算することはできない。[バッチ評価](https://artificialanalysis.ai/speech-to-text)

インターフェースは引き続き、ファイルの文字起こしとWebSocketストリーミングに対応し、話者ラベルの付与や最大8チャンネルの個別文字起こしを選択できる。Smart Turnは話者が発話を終えたかどうかを予測する。数値の書式整形には、言語と`format=true`の両方を指定する必要がある。開発チームにとって、これらの設定はそれぞれ発話の交代タイミング、データフィールド、後続のツール呼び出しに影響する。モデル更新後は同じ音声を再入力し、エンティティの値や応答タイミングに変化がないか確認すべきだ。[APIガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text)

バージョン移行にも注意が必要だ。発表記事では2.0がまもなくデフォルトになるとされているが、現時点のモデルドキュメントでは、すでに`model`を省略した場合のデフォルトとして記載されている。結果の再現性が必要なサービスでは、バージョンを明示的に指定すべきだ。公式には今後数週間で1.0を廃止すると予告されているが、発表記事に具体的な日付は示されていない。[モデルドキュメント](https://docs.x.ai/developers/models/speech-to-text)

中国語での導入には、依然として検証材料が不足している。公式の書式整形対応言語一覧に中国語は含まれておらず、多言語対応という説明だけから、中国語の数値や住所の出力仕様を推定することはできない。独立ランキングで使われる約8時間のデータも、その構成だけでは繁体字中国語や中国語と英語が混在する音声でのテストを代替できない。この指標の評価データは、エージェントとの対話が半分、議会発言と決算説明会の電話会議がそれぞれ4分の1を占め、数値や句読点は正規化される。製品に逐語的な保持やアカウント番号の書式の正確な再現が求められる場合、ランキングのスコアと実際の受け入れ基準には隔たりが生じ得る。[評価方法](https://artificialanalysis.ai/methodology/speech-to-text)

ストリーミング評価では、音声区間検出で検出した発話終了時点を起点として遅延を測定するため、対話の往復全体にかかる時間とは異なる。エンジニアは次の段階として、文字誤り率、固有名詞の完全一致率、発話を早すぎる時点で終了と判定する割合を個別に測定し、発話終端の検出設定とストリーミングイベントの順序も記録したうえで、切り替えるかどうかを判断すべきだ。