xAI: Grok Speech to Text

Name: Grok Speech to Text
Author: xAI

xai/grok-stt

提供中 stt 1プロバイダー

Playground

xAI's Grok speech-to-text: transcribes audio files in a single call or streams audio in real time over WebSocket with word-level timestamps, selected by endpoint (/v1/stt) rather than by a model parameter.

作成者xAI

言語multilingual

ステータス提供中

クイックスタート

Grok Speech to Text

APIキーを作成する

AllModelsに登録してAPIキーを作成し、ALLMODELS_API_KEYとして設定します。

APIキーを作成

リクエストを送る

SDK、リクエストモード、言語を選びます。モデルとプロバイダールートは入力済みです。

ElevenLabs SDKでのストリーミングSTT

マイクまたはファイルの音声を、ElevenLabs互換のAllModelsルート経由でストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "xai/grok-stt",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "grok"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.

プロバイダーパラメーターを渡す

ルートを特定のプロバイダーに固定したい場合は、互換SDKのリクエストオプションでproviderの設定を渡します。

{
  queryParams: {
    provider: {
      only: ["grok"]
    }
  }
}

プロバイダー

同じモデルを複数のプロバイダーがホストしている場合があります。バックエンドを固定したい場合は1つのプロバイダーを選び、そうでなければルーティングに選択を任せられます。

プロバイダーSlug1時間あたりレイテンシiモード稼働率

xAI 11個のパラメーター

grok

$0.1から

—

同期 · ストリーミング

xAI

このルートには11個のプロバイダーパラメーターが記載されています。

料金

モード言語1時間あたり

Rest すべて $0.1

Streaming すべて $0.2

パラメーター

file formData · string · 必須

Audio file to transcribe. Max 500 MB. Must be the last field in the multipart form.

url formData · string · 必須

URL of an audio file to download and transcribe (server-side).

audio_format formData · string · 任意

Format hint for raw/headerless audio.

3個の列挙値

値

pcmmulawalaw

channels formData · integer · 任意

Number of audio channels (2–8).

最小 2最大 8

diarize formData · boolean · 任意

When true, enables speaker diarization.

デフォルト false

filler_words formData · boolean · 任意

When true, filler words are included in the transcript.

デフォルト false

format formData · boolean · 任意

When true, enables Inverse Text Normalization.

デフォルト false

keyterm formData · string · 任意

A key term to bias transcription toward.

language formData · string · 任意

Language code (e.g. en, fr, de). Used with format=true to enable text formatting.

multichannel formData · boolean · 任意

When true, transcribes each audio channel independently.

デフォルト false

sample_rate formData · integer · 任意

Sample rate in Hz. Only required for raw audio.

対応言語

このモデルの確認済み言語リストはまだありません。

機能

Speech to text

Transcribes spoken audio to text.

speech_to_text

Streaming

Real-time streaming transcription over WebSocket (wss://api.x.ai/v1/stt).

streaming

Synchronous

Transcribes a fully-submitted audio file in a single synchronous request.

synchronous

Multilingual transcription

Supports 25 languages.

multilingual_transcription

Word-level timestamps

Returns a words array with text, start, and end.

word_timestamps

コード

ElevenLabs SDKでのストリーミングSTT

マイクまたはファイルの音声を、ElevenLabs互換のAllModelsルート経由でストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "xai/grok-stt",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "grok"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.