音声を文字にGrok STT について
Grok STT は xAI の speech-to-text で、音声 URL を送ると書き起こしテキストに単語単位のタイミングと検出言語が付いて返ります。25 言語、チャンネル別の書き起こし、キーワードのヒントに対応します。
POST /jobs/createTask でモデル名に xai/grok-stt/speech-to-text を指定すれば呼び出せます。0.01クレジット/秒から（$0.0001）。新規アカウントには 30 クレジットが付くので、まず Playground で無料で試せます。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
audio_url | はい | 使う声や音楽。 |
filler_words | いいえ | Keep filler words such as um and uh in the transcript. デフォルト: false |
keyterms | いいえ | Names and terms to spell the way you list them, up to 100. デフォルト: [] |
language | いいえ | 読み上げる言語。 ar · cs · da · nl · en · fil · fr · de · hi · id · it · ja · ko · mk · ms · fa · pl · pt · ro · ru · es · sv · th · tr · vi |
multichannel | いいえ | Transcribe each channel separately, one line per channel. Turn on when speakers are on separate channels. デフォルト: false |
text_normalization | いいえ | Write spoken numbers, prices, dates and units in digits. Needs language. デフォルト: false |
料金
料金はクレジットで表示され、サイトで使うクレジットと同じです（1クレジット = $0.01）。タスクの受付時に保留され、完了時に実際の料金で精算されます。失敗したタスクは返金されます。
| オプション | クレジット /秒 | ≈ USD |
|---|---|---|
| 標準 | 0.01 | $0.0001 |
実行前に正確な金額を知りたいときは、同じボディを POST /jobs/quote に送ってください。
API クイックスタート
Grok STT API を 3 ステップで呼び出す
- API キーを作成する. PopNow にログインし、API コンソールでキーを作成します。キーは sk-popnow- で始まり、サイトと同じクレジットを使います。
- リクエストを送る. POST /jobs/createTask に、model を xai/grok-stt/speech-to-text、input をパラメーター表どおりにして送ります。レスポンスですぐにタスク ID が返ります。
- 結果を受け取る. タスク ID で GET /jobs/recordInfo をポーリングするか、callBackUrl を渡せば結果がそこへ送られます。タスクが成功したら出力リンクからダウンロードします。
# 1. Create the task. Keep the Idempotency-Key if you retry after a network error.
export IDEMPOTENCY_KEY="$(uuidgen)"
curl -X POST https://api.popnow.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $POPNOW_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-stt/speech-to-text",
"input": {
"audio_url": "https://media.popnow.ai/shortfilm/voices/Aoede-46e4c427.mp3"
}
}'
# 2. Copy data.taskId from the response, then poll until state is succeeded, failed, canceled or expired.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.popnow.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $POPNOW_API_KEY"プロンプトとリンクはご自身のものに置き換えてください。API タブにレスポンス、ポーリング、コールバックのリファレンスがあります。
Grok STT API についての質問
Grok STT API の料金はいくらですか？
Grok STTは0.01クレジット（$0.0001）/秒です。クレジットはサイトと共通（1クレジット = $0.01）で、新規アカウントには30クレジットが付き、失敗したタスクは返金されます。
API でのGrok STTのモデル名は？
POST /jobs/createTask の model フィールドに 音声を文字には xai/grok-stt/speech-to-text を指定します。
何が返ってきますか?
タスク結果のテキストとして書き起こしが返り、加えて構造化された書き起こし(output.transcript)に、判定された言語、音声の長さ、各単語の開始・終了時刻(秒)が入ります。multichannel がオンならチャンネルごとです。ダウンロードするファイルはありません。話者ラベルは含まれません。
話者を区別できますか?
声による区別はできず、話者ラベルは返りません。多くの通話録音のように話者ごとに別のチャンネルで録音されている場合は、multichannel をオンにすると各チャンネルが 1 行ずつ返ります。オフのままだと片方が抜けることがあり、チャンネルごとに別の話者がいる 2 回のテストでは、どちらも一方の話者が書き起こしから消えました。
どの音声を送れますか?
アップロードした MP3 か WAV、または MP3、WAV、M4A、FLAC、OGG、Opus、AAC、MP4、MKV など一般的な形式の公開 URL で、長さは 1 秒〜2 時間です。ファイルヘッダーのない生の音声は受け付けません。
Grok STT API の制限は？
アップロードの上限：90 MB；言語：25。この範囲を超えるリクエストは、課金される前に拒否されます。
コードを書かずにGrok STTを試せますか？
はい。Playground なら API キーなしで、PopNow のクレジットでGrok STTを実行でき、実行ごとに対応するコードが表示されます。