SpaceXAI: Grok STT 1.0
Grok STT 1.0は、音声を単語単位のタイムスタンプ付き文字起こしに変換します。SpaceXAIは、オプションの話者分離とマルチチャンネル音声への対応を文書化しており、発話内容と、その時刻や話者構成の両方が必要な録音に役立ちます。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Grok STT 1.0は、SpaceXAIの音声文字起こしモデルです。音声を入力すると、単語単位のタイムスタンプ付き文字起こしを返し、オプションで話者分離も行います。公開仕様ではマルチチャンネル音声にも対応しています。有用な出力は、発話内容を録音内の時刻に、必要に応じて話者にも結び付けたものです。
録音と文字起こしの目的を準備する
文字起こしする録音と、結果の用途を明確にしてください。会議録には発言の順序、インタビューには話者ラベル、編集作業には音声内の位置に対応する単語が必要なことがあります。単語や話者の割り当てが不確かなときに、レビュー担当者が元の箇所に戻れるよう、元の録音とその識別子を保存します。
録音内容を書き直した説明ではなく、実際の録音を使用してください。マルチチャンネルの音源では、音声を準備するときにチャンネル構成を保ちます。チャンネル構成と話者分離は、タスクの異なる部分を表します。チャンネルは録音の構造であり、話者分離は文字起こし内の話者交代を特定する処理です。
時刻と話者構成
単語単位のタイムスタンプは、文字起こしした単語を録音に結び付けます。引用箇所の特定、聞き取りにくい語句の確認、その後の字幕や編集工程の準備に役立ちます。文字起こしを書き出したり変換したりするときも、単語とタイムスタンプを一緒に保持し、重要な箇所を音声と照合してください。
オプションの話者分離は、話者の構成を追加します。最終文書で割り当てられたラベルを使う前に、話者の切り替わり、割り込み、似た声を確認してください。後続のメモでは話者ラベルを一貫させ、後から人物を特定する処理と、モデルによる話者のグループ分けを区別します。
文字起こしを資料として使用する
文字起こしは、要約、検索できる記録、字幕準備のワークフローに利用できます。後続の成果物でも、関連する文字起こし範囲と音源内の時刻を保持してください。引用では音声の該当箇所を正確に確認し、会議メモでは実際に話されたことと、そこから導いた結論を区別します。モデルが文字起こしを生成し、整形、要約、公開はその実際の結果を基に行います。
Ailoot Ultra · 文字起こし POST /v1/audio/transcriptions x-ai/grok-stt-1.0
x-ai/grok-stt-1.0はじめに
Grok STT 1.0は、音声を単語単位のタイムスタンプ付き文字起こしに変換します。SpaceXAIは、オプションの話者分離とマルチチャンネル音声への対応を文書化しており、発話内容と、その時刻や話者構成の両方が必要な録音に役立ちます。
- 対応する入力
- 音声
- 結果
- テキスト
Ailootで利用可能 · 入力とメソッド
Ailoot Ultra · 文字起こし POST /v1/audio/transcriptions
- 入力の種類
audio- 出力の種類
text
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 x-ai/grok-stt-1.0 | デフォルト— |
フィールドinput_audio | 種類object | 要件必須 | 値と制限 | デフォルト— |
フィールドlanguage | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— |
フィールドresponse_format | 種類string | 要件任意 | 値と制限 json, verbose_json | デフォルトjson |
フィールドtimestamp_granularities | 種類array | 要件任意 | 値と制限 | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 | デフォルト— |
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, input_audio |
パラメータmaterial_types | 仕様audio |
パラメータmaterial_conditions | 仕様実際のWAVファイルを読み込み、その実際のバイト列を、宣言されたJSONのinput_audio向けにエンコードしてください。この厳密にJSONのみを扱う宣言では、multipartルートは提供するとしていません。 |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
料金
最終料金の計算方法
表示料金は生成前の費用の見積もりです。最終請求額は、元の生成処理に記録された費用から計算されます。実測された出力時間や予測数量が、そのまま最終的な課金数量になるわけではありません。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
比較用の推定料金
設定別の価格
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 予測数量 | 課金単位 | 料金 |
|---|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 予測数量— | 課金単位— | 料金 入力 · 入力トークン · 比較専用の見積もり — / 1K トークン 出力 · 出力トークン · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ読み取り · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ書き込み · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ書き込み、1時間 · 比較専用の見積もり — / 1K トークン |
| 設定入力音声の秒 | 料金表— | 予測数量— | 課金単位入力音声1秒あたり | 料金 入力 · 入力音声の秒 · 比較専用の見積もり $0.0000555555555556 入力音声1秒あたり |
| 設定生成費用の見積もり | 料金表— | 予測数量生成1回分の概算 | 課金単位— | 料金 出力 · 推定生成コスト · 比較専用の見積もり $0.0000555555555556 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · 文字起こし
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'x-ai/grok-stt-1.0', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
結果を受け取って保存
Ailoot Ultra · 文字起こし
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
その他のコンテンツ取得
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。
元のレスポンスを確認する場合
照合のため、返された X-Client-Request-ID を保存してください。実際に返された task_id/asset_id の値、または自分が所有するメディアライブラリだけを使って読み取ってください。操作 ID からタスクの URL を組み立てたり、作成リクエストを再送したりしないでください。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドtext | 種類 |
フィールドusage | 種類 |
フィールドsegments[] | 種類 |
フィールドwords[] | 種類 |
フィールドspeaker fields | 種類 |
フィールドtimestamps | 種類 |
エイリアス
モデルのエイリアス
Ailoot Ultra x-ai/grok-stt-1.0
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · SpaceXAI: Grok STT 1.0
- 利用できる入力と結果は何ですか？
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:audio→text- リクエストはどの項目を使用しますか？
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- どの制限が適用されますか？
POST /v1/audio/transcriptions·x-ai/grok-stt-1.0:temperature.minimum:0;temperature.maximum:1