# Grok STT API：endpoint、料金、realtime と日本語音声の確認ポイント

> Grok STT は xAI の独立 API です。既存ファイルは REST、live audio は WebSocket、日本語音声は実データで検証します。

- URL: https://blog.laozhang.ai/ja/posts/grok-speech-to-text-api
- Published: 2026-04-20
- Updated: 2026-04-20
- Author: LaoZhang AI Team (https://blog.laozhang.ai/ja/about)
- Topic: API ガイド
- Tags: Grok STT API, xAI, 音声文字起こし, Transcription API, WebSocket

---
2026年4月20日時点で、xAI は Grok STT を独立した音声文字起こし API として公開しています。既存ファイルや audio URL は `POST https://api.x.ai/v1/stt`、live audio は `wss://api.x.ai/v1/stt` を使います。公開料金は REST batch が `$0.10 / hour`、realtime WebSocket が `$0.20 / hour` です。双方向の音声会話を作る場合だけ Voice Agent API を検討します。

## 最初に見るべき契約

| 判断項目 | 公開されている内容 |
| --- | --- |
| model id | `grok-voice-transcribe-2.0`（2026年10月9日時点の既定モデル） |
| ファイル文字起こし | `POST https://api.x.ai/v1/stt` |
| live audio | `wss://api.x.ai/v1/stt` |
| REST price | `$0.10 / hour` |
| Streaming price | `$0.20 / hour` |
| region | `us-east-1` |
| public limits | 600 REST RPM, 10 WebSocket RPS, 100 streaming sessions per team |
| 基本方針 | 既存ファイルは REST。live transcript が必要な時だけ WebSocket。 |

この内容は 2026年4月20日に xAI の launch announcement、Speech to Text model page、implementation guide、voice reference、Voice API product page で確認しました。実運用前には自分の xAI console で entitlement、rate limit、beta state を確認してください。

## 日本語音声では先に小さく試す

公開仕様では 25以上の言語が対象です。ただし日本語の会議、固有名詞、英語混じりの発話、雑音、複数話者では、実データで品質を確認する必要があります。まず既存の録音を REST で処理し、現在の provider と同じ音声で比較してください。

評価する項目は、誤字、英語混じりの扱い、話者分離、timestamp、句読点、長い沈黙、専門用語です。特に議事録や字幕に使う場合、raw accuracy だけでなく修正工数も見ます。

## REST でファイルを処理する

REST は最初の検証に向いています。形が単純で、公開料金も WebSocket より低いからです。

```bash
curl https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-voice-transcribe-2.0 \
  -F format=true \
  -F language=ja \
  -F file=@meeting.wav
```

2026年10月9日に[公式実装ガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text)を再確認したところ、既定モデルは `grok-voice-transcribe-2.0`、`format` は真偽値でした。上の例はその仕様に合わせています。multipart の `file` は他のパラメータより後に置いてください。

API key は backend、server-side job、または管理された relay に置きます。browser recorder や mobile app に長期 key を入れないでください。timestamps、diarization、multichannel、formatting が必要なら、downstream の用途に合わせて明示的に指定します。

## WebSocket は realtime が価値を持つ時だけ

live captions、通話中の monitoring、dictation UI、voice interface の入力層では WebSocket が必要になります。

```text
wss://api.x.ai/v1/stt
```

実装では binary audio frames を送り、最後に `audio.done` を送り、interim and final transcript events を受け取ります。

![binary audio frames から audio.done と transcript events へ流れる WebSocket 図](https://blog.laozhang.ai/posts/ja/grok-speech-to-text-api/img/streaming-flow.webp)

WebSocket を使うと、reconnect、buffering、interim text の修正、final text の保存、UI 表示の扱いが必要になります。録音をあとで処理できるなら、REST のほうが実装も費用も安定します。

## 料金と公開制限

| route | public price | 向いている用途 |
| --- | --- | --- |
| REST batch STT | `$0.10 / hour` | recordings, uploaded files, batch jobs |
| WebSocket STT | `$0.20 / hour` | live captions, dictation, call monitoring |

xAI docs には `us-east-1`、REST 600 RPM、WebSocket 10 RPS、team あたり 100 streaming sessions、implementation guide には最大 500 MB ファイルが示されています。これは公開 docs の情報であり、すべての account に同じ状態が保証されるわけではありません。

## STT、Voice Agent API、TTS、GroqCloud

Grok STT は audio to text です。Voice Agent API は live spoken conversation のための route です。会話そのものが product なら [Grok Voice Agent API](https://blog.laozhang.ai/ja/posts/grok-voice-agent-api) を見ますが、録音の文字起こしだけなら過剰です。

TTS は text to speech なので逆方向です。GroqCloud は spelling が近い別 provider です。endpoint、pricing、model contract は xAI と交換できません。

![STT、Voice Agent API、TTS の入出力の違いと別プロバイダーの GroqCloud](https://blog.laozhang.ai/posts/ja/grok-speech-to-text-api/img/route-map.webp)

## 導入チェック

本番前に、実際の日本語音声、話者数、雑音、専門用語、英語混じり、timestamp、diarization、長時間音声、retry、partial transcript、cost by route を確認します。REST で品質を見てから、realtime value がある時だけ WebSocket に進む流れが安全です。

## よくある質問

### Grok STT は独立 API として使えますか？

はい。2026年4月20日時点で xAI は REST と WebSocket route を公開しています。

### REST endpoint は何ですか？

`POST https://api.x.ai/v1/stt` です。現在の公式ガイドでは `model=grok-voice-transcribe-2.0` を指定します。

### realtime endpoint は何ですか？

`wss://api.x.ai/v1/stt` です。binary audio frames と `audio.done` を使います。

### 日本語音声はそのまま信頼できますか？

公開仕様上は多言語対応ですが、会議や通話など実音声で確認してから使うべきです。

### Voice Agent API と同じですか？

違います。STT は audio to text、Voice Agent API は live spoken conversation です。

## 参考資料

本文で参照している外部ページを、登場順に並べています。最終更新日：2026-04-20。

- [公式実装ガイド](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text) (docs.x.ai)