Grok Voice Transcribe 2.0、同じ価格で精度が2倍に

▲ 26vertigoruntime7 HNでの議論

xAIが音声認識モデルGrok Voice Transcribe 2.0を発表した。実環境の評価で精度が1.0の2倍になり、価格は据え置き。公開リーダーボードでは32のストリーミングモデル中1位に立つ。多言語の短いフレーズでは単語誤り率が20.6%から6.8%へ低下し、話者分離や単語タイムスタンプも追加料金なしで使える。

「コンテキストを一度捉えれば、それがどこにでも流れていく。GrokがLoomの音声認識を支え、Cursorがそれをコードに変えることで、コンテキストからコードへのループを閉じている」
原文を読む →HNでの議論RSS

HNでの議論

7
  1. nomel

    > 単語レベルのタイムスタンプ。各単語に正確な開始/終了時刻と信頼度スコアが付く。

    いいね。これは多くのモデルに欠けている。

  2. xnx

    $0.10/時間は、Gemini Transcribe 3.5の$0.30/時間と比べて良い価格だ。

  3. exizt88

    これらのベンチマークがなぜこんなに間違うのか理解できない。Nova-3はWERにおいて市場で断トツの最高モデルだ。AzureのSTTはひどい。なのに、どのベンチマークもAzureのSTTをNova-3より高く評価している。

この日のほかの記事

2026-09-18