Grokの音声文字起こし2.0が登場、精度2倍・1時間15円で話者の区別もできるようになった
xAIが2026年9月18日に「Grok Voice Transcribe 2.0」を発表。精度は1.0の約2倍に向上し、1時間あたり約15円（バッチ処理）で利用可能。複数人の声を自動で区別する話者分離機能も追加料金なしで使える。
会議の録音が自動でテキストになったら、議事録作成の手間がなくなると思いませんか。 2026年9月18日、Grokを開発するxAIが「Grok Voice Transcribe 2.0」を正式に発表しました。 前バージョンから精度が約2倍に向上し、価格はそのまま。複数人の声を自動で区別する機能も新たに搭載されています。
この記事でわかること
- Grok Voice Transcribe 2.0で何が変わったのか
- 料金はいくらかかるのか（日本円での目安）
- どんな場面で役立つのか
これは何？
一言で言うと「録音した音声を自動でテキストに変換するAIサービス」です。
たとえば、1時間の会議を録音して渡すと、話した内容がそのまま文字になって返ってきます。 手動で書き起こす作業が不要になり、議事録作成の時間が大幅に短縮されます。
ただし、このサービスはアプリから直接使うものではなく、主に開発者がシステムに組み込んで使う形式（API＝アプリ同士をつなぐ仕組み）で提供されています。 将来的には、他のアプリやサービスを通じて一般ユーザーも恩恵を受けやすくなります。
何が変わったのか
Grok Voice Transcribe 1.0では、短い音声コマンドの誤認識が多かった。 話した人が誰かを判別する機能はなく、複数人の会話はすべてひとまとめに出力されていた。
短い音声コマンドの誤り率が20.6%から6.8%に大幅改善。 「Aさん：〇〇」「Bさん：〇〇」と話者ごとに自動でラベルが付くようになった。 追加料金なしで利用できる。
今回の主な改善点
精度が約2倍に向上 短い音声（「はい」「次へ」などのコマンド）の誤認識率が、20言語で20.6%から6.8%に下がりました。 日常会話や会議の文字起こし精度も全体的に向上しています。
話者分離機能が追加（無料） 複数人が話す録音でも、誰が話しているかを自動で判別して出力します。 「Aさん：昨日の件についてですが……」のように話者ごとに分けて表示されます。 追加料金なしで使えるのが大きなポイントです。
多言語の自動判別に対応 録音中に言語が切り替わっても、自動で検出して対応します。 数十言語に対応していますが、日本語への対応は公式には明記されていません。
xAIの公式発表では日本語サポートの記載がありません。 日本語での精度については、実際に試して確認することをおすすめします。
最大8チャンネルの同時処理 複数のマイクや音声ソースを同時に処理できます。 収録スタジオや多人数会議での利用を想定した機能です。
精度・話者分離・多言語対応がすべて向上しながら、料金は1.0と同じ水準を維持しています。 OpenAIの同種サービスと比べて、料金は約5分の1という試算も出ています。
実際にどう使える？
場面1：会議の議事録を自動で作りたい 1時間の会議を録音してAPIに送ると、話者ごとに分けられたテキストが返ってきます。 「Aさんが〇〇と言った」「Bさんが△△と提案した」と整理された形で出力されます。 議事録をゼロから作る手間が大幅に減ります。
場面2：インタビューや取材を文字起こししたい 記者やライターが取材音声を渡すと、そのまま原稿のベースになるテキストになります。 話者が自動で区別されるので、「誰の発言か」をあとで整理する手間もかかりません。
場面3：動画や音声コンテンツに字幕をつけたい YouTubeやポッドキャストの音声を処理して、字幕データを作成することもできます。 1時間あたり約15円という低コストで、大量のコンテンツにも対応できます。
気になる費用は？
| 処理方式 | 料金（1時間あたり） | 日本円換算（目安） |
|---|---|---|
| バッチ処理（録音ファイル） | $0.10 | 約15円 |
| リアルタイム処理（生配信など） | $0.20 | 約30円 |
| 話者分離機能 | 無料 | 追加なし |
バッチ処理とは、あらかじめ録音したファイルをまとめて処理する方法です。 急いでいない文字起こしはバッチ処理を使うと、より低コストで済みます。
既存のGrok Voice Transcribe 1.0を利用中の場合、コードの変更なしで2.0の精度向上の恩恵を受けられます。 ただし1.0は数週間後に廃止される予定のため、早めの移行確認をおすすめします。
まとめ
Grok Voice Transcribe 2.0は、精度・機能・コストのすべてで前バージョンを上回るアップデートです。 特に「話者分離が無料」「1時間15円という低価格」は、他のサービスと比べても競争力があります。
「会議の議事録を効率よく作りたい」「音声コンテンツの字幕を自動化したい」という用途に特におすすめです。 日本語対応が正式に確認され次第、一般ユーザーにとっても活用の幅が広がりそうです。
詳細はxAIの公式発表ページからご確認ください。
関連記事
GrokにハンズフリーAI会話…・GrokでAI動画が作れるよう…など、関連する記事もあわせてご覧ください。
Grok の関連記事
Grok vs ChatGPT——仕事で使うならどちら？用途別に徹底比較【2026年秋版】
Grok 4.7とChatGPT（GPT-6 Astra）を仕事での使い勝手で徹底比較。Grokはリアルタイム情報とコスパで優位、ChatGPTは文章作成・画像生成・企業連携で強い。月額料金・得意分野・使い分けのコツを一般向けにわかりやすく解説します。
Grok 4.7完全ガイド：X連携・リアルタイム情報・他AIとの違いを解説
xAIが2026年9月にプレビュー発表したGrok 4.7の基本情報をまとめました。パラメータ数2.1兆・SpaceXデータ学習・X（旧Twitter）とのリアルタイム連携など、Xユーザーが知っておくべき特徴と、ChatGPTやClaudeとの違いをわかりやすく解説します。