xAI「Grok」に音声認識（Speech-to-Text）と音声合成（Text-to-Speech）APIを追加——音声AI市場に本格参入

概要

※本記事は公開情報をもとに編集部が再構成したサマリです。一次情報は出典欄をご参照ください。

イーロン・マスク氏率いるxAIは、同社のAIモデル「Grok」のAPIに音声認識（Speech-to-Text）と音声合成（Text-to-Speech）機能を追加したと発表した。Speech-to-Textは音声入力をテキストに変換するAPIで、OpenAIの「Whisper」やGoogleの「Speech-to-Text」が先行する市場への参入となる。Text-to-SpeechはテキストをGrokの音声で読み上げるAPIで、ElevenLabsやOpenAI TTS等の競合がある。xAIのGrokはX（旧Twitter）との連携による文脈理解を強みとして売り出しており、音声AIの追加によりマルチモーダル対応が進んだ形。

事実のポイント

• Speech-to-Text（STT）API: 音声ファイルまたはリアルタイム音声ストリームをテキストに変換。多言語対応・話者識別・タイムスタンプ付き文字起こしをサポート
• Text-to-Speech（TTS）API: テキスト入力をGrokの音声（複数音声スタイル選択可）で読み上げ。感情・ペース・ポーズの調整パラメータを提供
• API料金体系: 他社比較で競争力のある価格設定（STTは音声1分あたり数セント台、TTSはテキスト1文字あたりの従量制）
• X（旧Twitter）プラットフォームとの統合: X上の音声ツイート・スペース（音声配信）機能とGrokの統合が想定され、SNSプラットフォームと音声AIの融合が進む
• Grok APIのマルチモーダル拡張: テキスト・画像に続き音声が加わり、テキスト/画像/音声を統合したマルチモーダルアプリケーション開発が可能に

用語・背景の補足

Speech-to-Text（STT）の主要競合: OpenAI Whisper（オープンソース・APIあり）、Google Cloud Speech-to-Text、Amazon Transcribe、Microsoft Azure Speech Services。Grokの差別化はX連携データによる口語表現・スラング・略語への対応精度に期待が集まる。

Text-to-Speech（TTS）の主要競合: ElevenLabs（感情表現豊かな音声）、OpenAI TTS（ChatGPT音声機能と同基盤）、Google Cloud TTS、Microsoft Azure TTS。自然な音声品質と多言語対応が競争軸。

注意点

• APIの提供開始時期・料金の詳細はxAIの公式API Docsを参照
• 日本語対応（認識精度・音声品質）については公式のベンチマーク情報を確認することを推奨
• xAIはまだ成長段階の企業であり、APIの安定性・SLA・サポート体制は大手クラウドと比較して評価が必要

編集部見解

（追記予定）