xAI Grok Speech to Text

xAI Grok Speech to Text は xAI のファイル文字起こし API です。Ayumi ではプロンプトなしでタイトル付きの文字起こしを書き出し、話者ラベル・段落のタイムスタンプ・フィラー語・表記整形・キータームのバイアスに対応します。API キーは自分で用意します。

xAI API キーの取得

すべての xAI Grok プロファイルは xAI Grok セクションの基本キーを使い、プロファイル側で Override API Key を設定した場合だけ上書きされます。キーはデバイスの Keychain に安全に保存され、文字起こしタスクには書き込まれません。

オプション	内容
Language（言語）	Automatic のままなら自動検出です。25言語から選ぶと、数値・通貨・単位の表記整形を xAI に要求できます。
Format Numbers & Units（数値・単位を整形）	xAI の逆テキスト正規化を適用します。言語を選んだときだけ利用できます。
Label Speakers（話者ラベル）	検出した話者ターンごとに段落を分けます（`Speaker 1: …`）。
Word Timestamps（単語タイムスタンプ）	話者ラベルありなら各話者ターン、なしなら文単位の段落に `[mm:ss–mm:ss]` の区間を付けます。
Include Filler Words（フィラー語を含める）	「えー」「あの」などに相当するフィラー語を残します。xAI は既定では削除します。
Key Terms（キーターム）	人名・専門用語・製品名の認識を、改行区切りの Markdown ファイル、プロファイルへの直接入力、またはその両方で寄せます。

キータームはファイル側を先にまとめ、重複を除いて送信します。xAI の上限は100語・各50文字なので、Ayumi はアップロード前にその範囲へ収めます。同じ Markdown 語彙ファイルをほかのクラウド文字起こしエンジンでも再利用できます。

現在の対応形式・制限・挙動は xAI Speech to Text 公式ドキュメントを参照してください。

xAI Grok のプロファイル使用時：