SpaceXAI（旧xAI）、Grok Voice Transcribe 2.0を公開同社発表は「1.0の2倍の精度」、価格は1.0と同額

2026年9月25日（日本時間）に docs.x.ai と x.ai の公式ページを開いて確認した内容です。SpaceXAI（旧xAI）は、2026年9月17日付の公式リリースノートで音声文字起こしモデル「Grok Voice Transcribe 2.0」（モデル名 grok-voice-transcribe-2.0）を公開しました。9月18日付の発表ページは、実世界の音声を使った自社評価で「1.0の2倍の精度、価格は同じ」と説明しています。価格はバッチ処理が1時間あたり0.10ドル、ストリーミングが1時間あたり0.20ドルで、1.0から変わっていません。音声で会話するモデル（Think Fast 2.0、既報）とは別の、文字起こし専用のモデルです。

3行まとめ

• SpaceXAI（旧xAI）が2026年9月17日、文字起こしモデルgrok-voice-transcribe-2.0を公開。発表ページは「1.0の2倍の精度、価格は同じ」と説明（バッチ$0.10/時間・ストリーミング$0.20/時間は1.0と同額）
• 発表ページの社内評価グラフ（4種）は、Gemini 3.5 Transcribe・MAI-Transcribe-2・ElevenLabs Scribe v2・Deepgram Nova-3・Whisper Large v3と比べた単語誤り率（WER）を数値つきで載せている。1.0からの改善は約1.5〜3.0倍（本記事の計算）で、4種のうち「電話番号・メール等」ではMAI-Transcribe-2のほうが低い
• 日本語は、発表ページの言語別グラフの元データで2.0のWERが2.63%（1.0は5.08%）。ただしグラフに数値ラベルは無く、評価データの名前も書かれていない。この記事では日本語音声をAPIに投げて試してはいない

9月17日のリリースノートと9月18日の発表ページ

発表ページによると、2.0は音声対話の「Grok Voice」と同じ音声基盤モデルの上に作られています。

発表ページのグラフに載っていた7モデルの数字

発表ページの社内評価のグラフは、ページを開いたあとにブラウザ側で描かれる作りです。HTMLの本文を文字として読むだけでは、Whisperの名前も含めて比較対象のモデル名と数値が出てきません。筆者がページをブラウザで表示させてグラフを描画させると、横軸に7モデルが並び、棒ごとにWERの数値ラベルが付いていました。

発表ページ「Internal Evaluations」のグラフの数値（WER、%、低いほど良い。xAIの社内評価）:

発表文は「4種すべてで1.0より改善し、通話音声ではテストした全モデルの中で最良」と書いており、表の数字もその通りです。4種のうち3種では2.0がもっとも低く、「電話番号・メール・住所」ではMAI-Transcribe-2（2.6%）のほうが2.0（3.2%）より低くなっています。OpenAIのWhisper Large v3は4種とも2.0より高い値です。1.0のWERを2.0のWERで割ると、通話音声で約1.5倍、会話で約2.6倍、電話番号等で約2.3倍、短いフレーズで約3.0倍になります（本記事の計算）。「2倍の精度」は、この4種を一つにまとめた数字ではありません。

第三者の比較としては、発表ページがArtificial Analysisの公開リーダーボードを挙げ、「ストリーミング部門の32モデル中で精度1位」と書いています。本記事が9月25日に取得したこのページは「31 of 37 models」と表示しており、ページのデータ上、AA-WER Streaming Indexがもっとも低いのはGrok Voice Transcribe 2.0（Streaming）の2.73%でした（1.0は3.93%）。37項目の中にはOpenAIの「GPT Realtime Whisper」（4.89%）も入っています。モデル数が「32」と合わない理由は確認していません。

一方、発表ページの同じグラフには「Batch」タブもあり、出典はArtificial Analysisの非ストリーミング部門です。そのタブの描画データでは、MAI-Transcribe-2（2.0%）とScribe v2（2.2%）が、Grok Voice Transcribe 2.0（2.3%）より低い位置にあります。非ストリーミング部門のページでも、9月25日時点で2.0の値は2.29%、MAI-Transcribe-2が2.04%、Scribe v2が2.18%でした。発表の「1位」はストリーミング部門の話です。

発表ページの価格グラフは、1時間あたりの価格としてElevenLabs Scribe v2をバッチ$0.22・ストリーミング$0.39、Deepgram Nova-3を$0.26・$0.46と並べています。これはxAIが示した他社の価格で、各社の料金ページとは突き合わせていません。

多言語・話者分離・タイムスタンプ対応

Speech to Textの公式ドキュメントによると、リクエストパラメータには次のものがあります。

• diarize（真偽値・既定false）: trueにすると話者分離が有効になり、レスポンスの各単語に話者番号（speaker）が付く
• multichannel（真偽値）とchannels（整数、2〜8）: 各チャンネルを個別に文字起こしする。docsは典型的な用途として、オペレーターをチャンネル0、顧客をチャンネル1に録音したコールセンターの音声を挙げている
• レスポンスのwords配列には、単語ごとのstart・end（開始・終了時刻）が入る
• keyterm: 製品名や固有名詞など、文字起こしで優先させたい語句を最大100件（1件50文字まで）指定できる
• vad_threshold: 音声でない区間を判定するしきい値を0〜1で調整できる（0でこの判定を無効化）

発表ページの「Features」でも、「話者分離は追加料金なし」「単語ごとに開始・終了時刻と信頼度スコアが付く」「最大8チャンネルを個別に文字起こし」「1リクエストで最大100語句のキーターム」が挙がっています。多言語については、発表ページに「Grok Voice Transcribe 2.0は数十の言語を文字起こしし、言語を自動検出し、録音途中の言語切り替えにも1パスで追随する」「多言語の精度が1.0からの最大の改善点」という記述があります。

日本語の数字は、ラベルの無い棒グラフの中にあった

発表ページの「Multilingual」の節には、19言語の「Transcription accuracy」（WER）を2.0・1.0・ElevenLabs Scribe v2・Deepgram Nova-3で比べた棒グラフがあり、横軸に日本語（Japanese）が含まれています。棒に数値ラベルは付いておらず、目盛りは0〜40%です。ページが読み込むグラフ用のデータでは、日本語の値は次の通りでした。

このグラフについて、どの評価データで測ったかはページに書かれていません。同じデータでは19言語すべてで2.0が1.0を下回っているわけではなく、中国語（2.0が2.33%、1.0が2.10%）とフランス語（6.92%と6.01%）は1.0の値のほうが低くなっています。

ドキュメント側では、languageパラメータで指定できる言語の一覧（25言語）に日本語（ja）があります。ただしこの一覧は、数字・通貨・単位を書き言葉の形に整形する機能（format=true、Inverse Text Normalization）のための指定です。ドキュメントは、languageパラメータの値に関わらずこれらの言語の音声を文字起こしする、と説明しています。

この記事では、実際に日本語の音声ファイルをAPIに投げて確かめる作業はしていません。上の日本語の数字はxAIが自社で測った値で、第三者による検証や、筆者の環境での再現ではありません。

1.0から何が変わったと発表されたか

発表ページが明記している変更点は次の通りです。

• 精度: 「現在利用できるなかでもっとも正確な文字起こしモデルの一つで、1.0の2倍の精度」（実世界の自社評価として。価格は同じ）
• 多言語: 「1.0からの最大の改善点」と明記。短いフレーズ（音声アシスタント発話・19言語のセット）でWERが20.6%→6.8%
• 社内評価4種: 通話音声（電話回線）・Grokとの会話・口頭の認証情報（アカウントコードやメールアドレス）・短い多言語音声コマンドの4セットで、「4種すべてで1.0より改善し、通話音声ではテストした全モデルの中で最良」と説明
• 料金: 1.0と同額。既存の実装はコード変更なしで精度改善を受け取れるとしている
• 既定モデルの切り替え予定: 「Grok Voice Transcribe 2.0は近くSpeech-to-Text APIの既定モデルになり、1.0は今後数週間で非推奨になる。移行期間中に1.0を使い続けたい場合はgrok-voice-transcribe-1.0を明示的に指定すること」

3つの公式ページで割れている「既定モデル」の表記

筆者は2026年9月25日（日本時間）に、docs.x.ai と x.ai の3ページを開いて突き合わせました。「今どちらが既定（デフォルト）モデルか」の記載が一致していませんでした。

• リリースノート（September 17の項目）:

"grok-voice-transcribe-2.0 is now available. Use grok-voice-transcribe-1.0 or grok-voice-transcribe-2.0; the default is grok-voice-transcribe-1.0."

（訳：grok-voice-transcribe-2.0が利用可能になった。grok-voice-transcribe-1.0かgrok-voice-transcribe-2.0を使う。既定はgrok-voice-transcribe-1.0）

• 発表ページ（x.ai/news/grok-voice-transcribe-2）:

"Grok Voice Transcribe 2.0 will soon be the default in the Speech-to-Text API, and Grok Voice Transcribe 1.0 will be deprecated in the coming weeks."

（訳：Grok Voice Transcribe 2.0は近くSpeech-to-Text APIの既定になり、Grok Voice Transcribe 1.0は今後数週間で非推奨になる）

• Speech to Textのドキュメント（モデル選択の表）: grok-voice-transcribe-2.0の行に

"Our best transcription model. Default when model is omitted."

（訳：当社で最良の文字起こしモデル。modelを省略したときの既定）

同じページのパラメータ表でも、modelの既定値欄はgrok-voice-transcribe-2.0になっています（バッチ・ストリーミングとも）。

つまり、同じ日に確認した3つの公式ページのうち、リリースノートは「1.0が既定」、発表ページは「2.0は近く既定になる」、ドキュメントは「2.0がすでに既定」と読める書き方です。実際の挙動はAPIを実行して確かめていないため、この記事では判断せず、記載の食い違いだけを記録します。modelパラメータを省略して呼び出している既存の実装がある場合、この食い違いは実害になりえます。発表ページ自身も、移行期間中に1.0を使い続けたい場合はgrok-voice-transcribe-1.0を明示指定するよう書いています。

APIは呼ばずに、ページだけで確かめた範囲

本文で名指しした一次情報は frontmatter の sources にすべて記載しています。価格（$0.10/時間・$0.20/時間）は発表ページとdocs.x.aiの料金表の2か所で一致しました。社内評価の7モデルの数値と価格グラフの他社価格は、発表ページをブラウザで描画したときに表示された数値ラベルです。日本語など言語別のWERと、Batchタブの値は、グラフに数値ラベルが無いため、ページが読み込むグラフ用データから読みました。Artificial Analysisの値は、9月25日に取得した同社ページのデータです。APIの呼び出しと、日本語音声での実地テストは行っていません。