SpaceXAI发布Grok语音转写2.0：宣称准确率翻倍，定价不变
SpaceXAI正式推出Grok Voice Transcribe 2.0语音转文本API，声称在同等价格下准确率较1.0版本提升两倍。该模型专为嘈杂电话、多说话人、地方口音及敏感信息识别等困难音频场景优化，支持实时流式与批量处理，已上线API并被Atlassian Loom采用。
新一代语音转写API正式上线
SpaceXAI近日发布Grok Voice Transcribe 2.0——其最新一代语音转文本（STT）API服务。官方宣称，该模型在保持与1.0版本完全相同定价的前提下，整体准确率提升达2倍。模型设计聚焦于‘困难音频’场景，包括：低质量电话线路录音、多人重叠对话、地域性口音、以及需高精度识别的口语化敏感信息（如电话号码、邮箱、地址等）。该服务通过统一Speech-to-Text API提供，支持批量处理与实时WebSocket流式传输两种模式，当前已正式商用，模型ID为`grok-voice-transcribe-2.0`。
技术基础与训练数据
Grok Voice Transcribe 2.0构建于支撑Grok Voice产品的底层音频基础模型之上。据SpaceXAI介绍，Grok Voice目前已日均处理数万通客户支持通话，每月转录数百万小时视频旁白，并驱动特斯拉车辆内Grok智能助手的语音交互。模型训练数据全部来自真实世界采集：涵盖多语种、高噪声、跨环境（如车载、客服中心、移动设备）的海量现场音频，并经由后训练（post-training）阶段持续优化。
准确率验证：公开榜单与内部测试
在公开基准测试中，SpaceXAI称其在Artificial Analysis平台的AA-WER Streaming榜单上位列32个流式模型首位。该榜单综合使用约8小时测试音频，权重分配为：AA-AgentTalk（50%）、VoxPopuli（25%）、Earnings22（25%）。此外，SpaceXAI还公布了4组基于生产流量的内部测试集结果，覆盖：英语客服电话（8 kHz）、英语日常对话、英文敏感信息（电话/邮箱/地址）、19种语言的短指令（如车载语音命令）。结果显示，2.0版本在全部四类任务上均优于1.0；尤其在短指令任务中，词错误率（WER）从20.6%降至6.8%，相当于词级错误减少约67%。需注意，上述内部结果由厂商单方面报告，尚未获第三方独立复现。
多语种能力与语言切换
该模型支持数十种语言的自动识别与转写，并能在单次录音中无缝跟踪中途发生的语言切换（language switching），无需分段或预设语言。SpaceXAI将多语种准确率提升列为相较1.0的最大进步。针对上下文极短的短语场景（如车载指令），模型语言判别能力显著增强；文档同时列出25种语言支持数字、货币与单位的规范化书写格式输出。
开发者就绪功能
所有以下功能均集成于同一API接口：
- 批处理与流式双模：支持上传文件/URL，或通过`wss://api.x.ai/v1/stt` WebSocket实时流式输入；
- 词级时间戳：返回每个词的起止时间及置信度；
- 说话人区分（Diarization）：自动标注不同说话人，不额外计费；
- 多声道转写：最多支持8声道独立处理；
- 关键词偏置（Key Term Biasing）：单请求最多指定100个领域关键词（每词≤50字符）；
- 文本规范化：自动将数字、日期、货币、电话、邮箱等转换为标准书面格式；
- 填充词过滤：默认移除“um”“uh”等无意义填充词；
- 智能话轮检测（Smart Turn Detection）：内置ML模型预测语音助手交互中用户话语结束点。
批量接口支持最高500 MB文件，兼容12种音频格式；流式接口支持Opus编码（约4 KB/s），远低于原始PCM（24 kHz下48 KB/s）带宽需求。
定价与调用方式
定价策略与1.0完全一致：批量转写$0.10/音频小时，流式转写$0.20/音频小时；说话人区分、时间戳、关键词偏置等功能均包含在内，折合约为$1.67/千分钟（批量）与$3.33/千分钟（流式）。调用示例为标准cURL命令，需传入API密钥、模型ID、语言及音频文件。