Grok STT レビュー: 文字起こし・単語時刻・話者ラベルなし

2026 年 9 月 30 日の既存診断は、LibriSpeech test-clean の 6 クリップ、6 話者、英語の朗読 53.6 秒、正解文 146 語を対象にしました。Grok STT の単語誤り率は 1.37%、内訳は 置換 2、削除 0、挿入 0 です。文字起こしの評価方法で正規化と測定範囲を説明しています。記録済みの結果を再利用しており、新たな文字起こしを依頼したものではありません。

少数の短いクリーンな録音から、会議、重なった発話、雑音、他言語、歌詞の精度は判断できません。単語誤り率は正解文との語の違いを測り、句読点、整形、話者の割り当てを測りません。字幕、検索用アーカイブ、最終原稿の選択では、この違いを意識してください。

自分が権利を持つか、処理の許可を得た音声を使ってください。冒頭、末尾、固有名詞一つ、聞き取りにくい箇所を元音声と照合します。確認できない語は不確実として記録し、文字起こしを無条件に正解扱いしないでください。入力形式はモデルページで確認できます。

まず、合否を左右する固有名詞、難しい数字、感情が変わる一文、読み違いを許せない箇所を確認してください。末尾まで原文と照合します。設定を比較するときは入力を固定し、一度に一つだけ変えます。声が自然に聞こえることと、すべての語が正しく残ることは別の確認項目です。

送信前にモデルのタスクページで現在の見積もりを確認してください。文字数、秒数、リクエスト単位の料金は、表示された最安値だけでは比較できません。同じ原稿や録音を条件にし、必要な変換やタイミング調整も含めて判断します。

総合的な数字より先に、不足する機能で選んでください。声の選択、長い原稿、演技指示、適切な文字起こしといった具体的な課題を解決するモデルが候補です。以下の現在のページで、対応タスクと料金単位を確認できます。

• HeartMuLa Transcribe