SpaceXAIがGrok Voice Transcribe 2.0をリリース：エラーレートは半減、価格は変更なし フラッシュ音声認識がランキング上位に

現地時間の9月18日、SpaceXの人工知能部門であるSpaceXAIは、新世代の音声からテキストへの変換モデル「Grok Voice Transcribe2.0」を公開しました。最も注目すべき点は、誤認識率を約半分に抑える一方で、価格を据え置いたことです。

このモデルは、Grok Voiceの基盤となる音声基礎モデルに根ざしており、そのベースはすでに本格的な業務に深く統合されています。毎日数万件のカスタマーサポート電話を受け付け、数百万時間にわたるビデオナレーションを転記し、実体のハードウェア内でのさまざまな音声スマートエージェントを駆動しています。その中には、テスラの車載システム上のGrokアシスタントも含まれます。言い換えれば、これは研究室でテストされているモデルではなく、実際に大量のリアルな音声によって何度も磨き上げられた製品です。

Artificial Analysisが公開したランキングでは、Grok Voice Transcribe2.0は全部で32種類のストリーミングモデルの中で精度がトップとなり、同カテゴリの競合を後塵に買っています。SpaceXAIは公開ベンチマークに満足せず、自社のオンラインサービスから4つの内部データセットを抽出してシステム評価を行いました。その内容は、カスタマーサポートの録音、Grokとの日常的な英語での会話、口述された電話番号やメールアドレスなどの構造化情報、そして多言語の短い指示文を含んでいます。4つのデータセットにおいて、2.0バージョンは1.0バージョンを完全に打ち勝っています。

開発者にとって特に魅力的なのは価格です。まとめて転記する場合でも、1時間あたり0.10ドルであり、リアルタイムのストリーミング転記でも1時間あたり0.20ドルであり、1.0バージョンと完全に同じです。さらに重要なのは、スピーカーの分離、正確なタイムスタンプ、カスタムキーワードといった機能がすべて基本料金に含まれており、別途料金がかかることがないということです。つまり、旧バージョンと同じ価格で、誤認識率がほぼ半分になり、機能も増えた新しいモデルを購入できるのです。音声認識という価格に敏感で使用量が多い業界において、このような「量を増やして値段を変えない」という戦略は、単にランキングを更新するよりも実際の導入を促進する効果が大きいのです。