xAI の文字起こし API はバッチで 1 時間 0.10 ドル〜10 月 2 日から 2.0 に切り替わった
xAI の Speech to Text は、25 の言語に対応した文字起こしの API[1]。録音をまとめて渡すバッチと、音声を流しながら送るストリーミングの 2 つの使い方があります[1]。
価格はバッチで 1 時間 0.10 ドル、ストリーミングで 1 時間 0.20 ドル[2]。同じ Voice API の中で、音声で会話する Speech to Speech は 1 分 0.08 ドル、文章を読み上げる Text to Speech は 100 万文字あたり 15 ドルです[2]。
9 月 17 日に grok-voice-transcribe-2.0 が加わった[1]。モデルを指定しないときに使われるのも、この 2.0 です[1]。
grok-voice-transcribe-1.0 の提供は 10 月 2 日で終わった[1]。この名前で送った依頼は、同じ価格のまま 2.0 で処理されます[1]。リリースノートによると、精度は 2.0 のほうが高い[1]。
vad_threshold は、音声のない部分を飛ばす音声区間検出（VAD）のしきい値[1]。バッチでもストリーミングでも指定できます[1]。値を下げると、電話のような帯域の狭い音声や、小さい声、雑音の多い声も文字にしやすくなり、0 にすると検出そのものを使わない[1]。
ストリーミングでは Smart Turn も使える[1]。smart_turn を有効にすると、無音のたびに話し終えたかどうかを機械学習のモデルが推測し、口述や数字の読み上げ、文の途中の間で誤って区切ることを減らす[1]。無音がどれだけ続いたら区切るかの上限は、smart_turn_timeout で決めます[1]。