Grok Voice Transcribe 2.0
Grok Voice Transcribe 2.0 (x.ai)
要約
SpaceXAIは、精度が向上しコスト効率も優れた最新の音声認識モデル「Grok Voice Transcribe 2.0」を発表しました。このモデルは、実際の環境での評価において、既存のモデルと比較して2倍の精度を持ちながら価格は据え置きです。特に、電話音声や複数の話者が混在するノイズの多い状況での精度が大幅に向上しており、既存のAPI連携ではコード変更なしで利用可能です。
全文翻訳
Grok Voice Transcribe 2.0 のご紹介
本日、当社の最新の音声認識モデルである Grok Voice Transcribe 2.0 をリリースします。実世界の評価において、Grok Voice Transcribe 2.0 は現在利用可能な最も精度の高い文字起こしモデルの 1 つであり、Grok Voice Transcribe 1.0 の 2 倍の精度を同じ価格で実現しています。
Grok Voice Transcribe 2.0 は、Grok Voice の基盤となるオーディオ基盤モデル上に構築されています。Grok Voice は既に、1 日あたり数万件の顧客サポート通話に利用され、数百万時間分のビデオナレーションを文字起こしし、Tesla 車両の Grok アシスタントを含む物理的な製品で音声エージェントを実行しています。これは、多様な環境で録音されたライブでノイズが多く多言語の音声のユニークなデータセットでトレーニングされ、トレーニング後の調整が施されています。
その結果、実世界の状況における音声に対して最も精度の高い文字起こしモデルの 1 つが生まれました。
精度
ほとんどの文字起こしモデルは、ノイズが少なく、話者が 1 人のクリーンな音声では良好なパフォーマンスを発揮します。実世界の音声はより困難です。不安定な電話回線、競合する声、現地のアクセント、読み上げられる電話番号やメールアドレスなどです。当社は、あらゆる状況や環境で最も困難な音声に対応するために Grok Voice Transcribe 2.0 を開発しました。
公開されている Artificial Analysis リーダーボードでは、Grok Voice Transcribe 2.0 は 32 のストリーミングモデルの中で精度で第 1 位にランクされています。
内部評価
公開ベンチマークに加えて、本番トラフィックから抽出した 4 つの内部セットで単語エラー率を測定しています。これらは、顧客サポート通話からの電話音声、Grok との会話、アカウントコードやメールアドレスなどの音声認証情報、および短い多言語音声コマンドです。Grok Voice Transcribe 2.0 は、これら 4 つすべてで Grok Voice Transcribe 1.0 を改善しており、電話音声においてはテストしたすべてのモデルを上回っています。
多言語
Grok Voice Transcribe 2.0 は、数十の言語を文字起こしし、言語を自動検出して、1 回のパスで録音中の言語切り替えにも対応します。多言語の精度は、Grok Voice Transcribe 1.0 に対する最大の改善点です。
車内コマンドのような短いフレーズでは、モデルが言語を識別するためのコンテキストがほとんどありません。当社の短いフレーズセットでは、単語エラー率が 20.6% から 6.8% に低下しました。
機能
Grok Voice Transcribe 2.0 は、高度な設定と制御をサポートしています。既存の Speech-to-Text API 連携は、コード変更なしで精度の向上を利用できます。
- バッチ処理とストリーミング処理。 録音済みファイルや URL を文字起こしするか、リアルタイムで音声ストリームを文字起こしします。
- 単語レベルのタイムスタンプ。 各単語には正確な開始/終了時刻と信頼度スコアがあります。
- 話者ダイアライゼーション。 追加費用なしで、文字起こし内の各話者をラベル付けします。
- マルチチャンネル文字起こし。 最大 8 チャンネルを個別に文字起こしします。
- キーワードバイアス。 製品名や医療用語など、リクエストごとに最大 100 個のドメイン用語を渡します。
- テキストフォーマット。 数字、日付、通貨、電話番号、メールアドレスは、書式化された形式で返されます。
- フィラーワード除去。 文字起こしから「えー」「あのー」などのフィラーワードを省略します。
- スマートターン検出。 音声エージェントのために、話者のターンの終了を検出します。
Grok Voice が Atlassian Loom を強化
Atlassian Loom は、画面録画の記録と共有に広く使用されています。Atlassian は、Loom ビデオの文字起こしにおいて、既存のソリューションよりも Grok Voice Transcribe 2.0 の方が精度が高いことを発見しました。精度の高い文字起こしは、新しい AI ワークフローを可能にします。Loom でアクションプランを記録し、その文字起こしを Cursor にパイプすると、コードの更新が直接行われます。
“私たちは、仕事を前進させる最善の方法は、一度コンテキストをキャプチャし、それをどこにでも流れるようにすることだと常に信じてきました。Grok が Loom の音声認識を強化し、Cursor がそれをコードに変換することで、コンテキストからコードへのループを閉じています。つまり、意図したことを記録すれば、作業が完了します。これは、AI 支援開発の進むべき道のりの一端を示すものです。”
Sanchan Saxena, SVP of Teamwork Collection, Atlassian
価格
Grok Voice Transcribe 2.0 の価格設定は、Grok Voice Transcribe 1.0 と同一です。バッチ文字起こしは 1 時間あたり 0.10 ドル、ストリーミングは 1 時間あたり 0.20 ドルのままですが、ダイアライゼーション、タイムスタンプ、キーワードは含まれています。
Grok Voice Transcribe 2.0 はまもなく Speech-to-Text API のデフォルトとなり、Grok Voice Transcribe 1.0 は数週間以内に廃止される予定です。移行期間中にこれを使用し続けるには、grok-voice-transcribe-1.0 をピン留めしてください。