SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 は xAI の音声テキスト変換モデルです。文字起こしカテゴリに属し、その役割は狭く明確です。音声を入力として受け取り、文字起こしを出力として返します。汎用のチャットや推論モデルではないため、会話する相手ではなく、パイプライン内の専用コンポーネントとして扱うべきです。プロバイダーのリリース日は 2026-07-23 です。

このモデルは入力モダリティとして音声を受け取り、出力として文字起こしを生成します。プロバイダーの説明によると、単語レベルのタイムスタンプ付き文字起こし、オプションの話者ダイアリゼーション、マルチチャンネル音声をサポートします。単語レベルのタイムスタンプにより、テキストを録音内の特定の時点に紐付けられます。これは字幕の同期、通話内の特定の瞬間へのジャンプ、プレーヤー内でのフレーズのハイライトが必要な場合に重要です。話者ダイアリゼーションはオプションなので、誰が何を言ったかを知る必要があるときに有効にし、単一の平坦な文字起こしで十分なときは無効にできます。マルチチャンネル音声のサポートとは、複数チャンネルの録音を盲目的にダウンミックスせずに処理できるという意味です。このモデルにはコンテキスト長の記載がなく、details ブロックには最大出力 0 と報告されているため、ここで計画に使える意味のあるトークンウィンドウの数値はありません。サポートされているパラメータのリストは空です。

実用的な用途は、これらの機能から直接導かれます。会議や通話の文字起こしは明らかな用途であり、ダイアリゼーションを有効にすると参加者を区別する文字起こしが得られます。これはメモ、要約、コンプライアンス記録に必要なものです。単語レベルのタイムスタンプは、字幕やキャプションの生成、検索可能なメディアアーカイブ、ユーザーがテキスト行をクリックして再生がその正確な時点にシークすることを期待するあらゆるインターフェースに適しています。マルチチャンネル音声は、ルームマイクとラインフィードなど別々のソースからキャプチャされた録音や、会話の各側が独自のチャンネルで届くコンタクトセンターの構成に有用です。出力は生成された文章ではなく文字起こしであるため、下流のステップにもきれいに組み込めます。まず文字起こしを行い、その後テキストを要約、翻訳、インデックス作成のために別の場所へ送ります。

モデル id "x-ai/grok-stt-1.0" を使用して、api14 の OpenAI 互換 API 経由で呼び出します。プロバイダーは REST /v1/stt エンドポイントを通じてこのモデルを公開しているため、リクエストはチャット補完ではなく音声文字起こし呼び出しです。音声を送信し、レスポンスから文字起こしを読み取ります。このモデルのサポートされているパラメータのリストは空なので、通常のサンプリングや生成のつまみを渡せると想定しないでください。ここで重要な機能である単語レベルのタイムスタンプ、話者ダイアリゼーション、マルチチャンネル処理は、提供されたデータでは調整可能なリクエストパラメータではなく、モデルの文字起こし動作の一部として説明されています。

記載された事実の中に別の選択へ導くものはほとんどありませんが、範囲には注意する価値があります。これは文字起こし専用モデルです。音声を入力し、文字起こしを出力します。タスクがテキスト生成、推論、または音声テキスト変換以外の何かである場合、別のモデルが適切な選択です。リクエストのサイズを見積もるために文書化されたコンテキストウィンドウや出力トークン予算が必要な場合、ここには何も示されていないため、統合に前提を組み込む前にライブエンドポイントに対して確認してください。