SpaceXAI presenta Grok Voice Transcribe 2.0 con una tasa de errores menor y las tarifas anteriores
El nuevo modelo reconoce el habla en modo por lotes y en streaming; SpaceXAI informa de que, en una prueba con frases cortas en 19 idiomas, la tasa de error bajó del 20,6 % al 6,8 %. El resumen incluye las tarifas de la API y los resultados de pruebas comparativas, que aún no han sido verificados de forma independiente.
Qué ha lanzado SpaceXAI
Grok Voice Transcribe 2.0 es un modelo de reconocimiento de voz disponible a través de Speech to Text API. Admite el procesamiento por lotes y en streaming; el identificador del modelo es grok-voice-transcribe-2.0.
- La API está disponible desde hoy.
- No se han anunciado pesos abiertos, por lo que no es posible ejecutar el modelo por cuenta propia.
- El modelo solo funciona a través de la API.
La elección depende de cómo quieras integrarlo: el modelo es adecuado para el procesamiento por lotes o en streaming a través de la API, pero no para ejecutarlo por cuenta propia.
Qué se sabe sobre la precisión
El equipo de desarrollo afirma que Grok Voice Transcribe 2.0 es el doble de preciso que la versión 1.0, al mismo precio.
Según SpaceXAI, el modelo ocupó el primer puesto entre 32 modelos de streaming en la clasificación pública de Artificial Analysis. La prueba AA-WER Streaming utiliza unas ocho horas de audio: AA-AgentTalk tiene un peso del 50%, VoxPopuli del 25% y Earnings22 del 25%.
En un conjunto interno de frases cortas en 19 idiomas, el WER bajó del 20,6% al 6,8%. La empresa estima que esto supone aproximadamente un 67% menos de errores a nivel de palabra y afirma haber mejorado los resultados en los cuatro conjuntos de pruebas internos.
Los resultados de las pruebas internas de SpaceXAI no se han reproducido de forma independiente. Por eso, conviene considerar las afirmaciones sobre la precisión por separado de los resultados de la clasificación pública.
Cuánto cuesta la transcripción
Grok Voice Transcribe 2.0 mantiene los precios de la versión Grok Voice Transcribe 1.0. El coste depende del modo de procesamiento del audio.
| Modo | Precio por hora de audio |
|---|---|
| Transcripción por lotes | 0,10 US$ |
| Transcripción en streaming | 0,20 US$ |
La diarización, las marcas de tiempo y los términos clave están incluidos en el precio. Al comparar los modos, ten en cuenta no solo el precio, sino también si necesitas procesamiento en streaming.
Qué idiomas y formatos admite
Grok Voice Transcribe 2.0 transcribe decenas de idiomas, detecta el idioma automáticamente y gestiona los cambios de idioma a mitad de la grabación.
- La API por lotes acepta archivos de hasta 500 MB.
- El procesamiento por lotes admite 12 formatos de audio.
- La transmisión en streaming funciona mediante WebSocket en
wss://api.x.ai/v1/stt.
El criterio de elección en este caso son los requisitos de idioma y la forma de transmitir el audio: mediante la API por lotes o en streaming por WebSocket.
Dónde se utiliza ya el modelo
Atlassian Loom utiliza Grok Voice Transcribe 2.0 para transcribir todos sus vídeos. Atlassian afirma que el modelo es más preciso que su solución anterior.
Este ejemplo confirma que el modelo se utiliza en Loom, pero no ofrece una evaluación comparativa para otros sistemas.
Preguntas frecuentes
Material similar
Todos los materiales
Evaluación de agentes de programación en el desarrollo interactivo de XR: resultados de GenXR-Bench
Se ha publicado GenXR-Bench, un conjunto de 112 tareas expertas para evaluar de forma integral agentes de programación en el desarrollo interactivo de XR: desde la mejora de funciones y la corrección de defectos hasta la creación de aplicaciones con verificación del comportamiento en dispositivos de consumo. Entre los diez modelos probados, el mejor resultado fue un 50,9 % en Pass@1; los fallos recurrentes incluyeron la gestión de eventos asíncronos de sensores, el anclaje de objetos al espacio real y la comprensión de las interacciones en un contexto físico.
5 noviembre 2026
De la recompensa escalar al frente de Pareto: síntesis RTL de LLM mediante aprendizaje por refuerzo multiobjetivo
Se propone un método para entrenar un modelo de lenguaje para que genere no un solo diseño, sino un conjunto de candidatos RTL con distintos compromisos entre área, latencia y consumo energético; la recompensa se basa en la contribución de cada variante al hipervolumen del frente de Pareto. En RTLLM v2, el hipervolumen relativo aumentó 13,3 puntos porcentuales frente a la versión base sin optimización PPA y 14,4 puntos porcentuales frente al entrenamiento por refuerzo con un único objetivo.
5 noviembre 2026
Los LLM médicos se enteran de que se han revisado las recomendaciones, pero a menudo responden según las pautas anteriores
El estudio de ChronoEvo sobre 1709 cambios en las guías clínicas muestra que, en el modelo principal, el 90,8 % de las respuestas detectaba la novedad, pero solo el 58,5 % la aplicaba por completo; la brecha de 32,3 puntos porcentuales se mantuvo en 14 modelos. Ni siquiera aumentar la visibilidad de las actualizaciones produjo una mejora significativa en la incorporación completa de las nuevas reglas a las recomendaciones clínicas.
4 noviembre 2026