SpaceXAI présente Grok Voice Transcribe 2.0 avec un taux d’erreur réduit aux tarifs précédents
Le nouveau modèle reconnaît la parole en modes batch et streaming ; SpaceXAI indique que, lors d’un test de courtes phrases dans 19 langues, le taux d’erreur est passé de 20,6 % à 6,8 %. Le récapitulatif présente les tarifs de l’API et les résultats de tests comparatifs, qui n’ont pas encore été vérifiés de manière indépendante.
Ce que SpaceXAI a lancé
Grok Voice Transcribe 2.0 est un modèle de reconnaissance vocale disponible via l’API Speech to Text. Il prend en charge le traitement par lots et en temps réel ; son identifiant est grok-voice-transcribe-2.0.
- L’API est disponible dès aujourd’hui.
- Aucun poids ouvert n’a été annoncé : il est donc impossible d’exécuter le modèle soi-même.
- Le modèle fonctionne uniquement via l’API.
Le choix dépend du mode d’intégration : le modèle convient au traitement par lots ou en temps réel via l’API, mais pas à une exécution autonome.
Ce que l’on sait de sa précision
L’équipe de développement affirme que Grok Voice Transcribe 2.0 est deux fois plus précise que la version 1.0, à prix identique.
D’après SpaceXAI, le modèle s’est classé premier parmi 32 modèles de streaming dans le classement public d’Artificial Analysis. Le test AA-WER Streaming utilise environ huit heures d’audio : AA-AgentTalk compte pour 50 %, VoxPopuli pour 25 % et Earnings22 pour 25 %.
Sur un jeu de données interne composé de phrases courtes dans 19 langues, le WER est passé de 20,6 % à 6,8 %. L’entreprise estime que cela représente environ 67 % d’erreurs en moins au niveau des mots et fait état d’une amélioration sur ses quatre jeux de données internes.
Les résultats des tests internes de SpaceXAI n’ont pas été reproduits de manière indépendante. Il convient donc d’examiner séparément les déclarations sur la précision et les résultats du classement public.
Combien coûte la transcription
Grok Voice Transcribe 2.0 a conservé les prix de la version Grok Voice Transcribe 1.0. Le coût dépend du mode de traitement audio.
| Mode | Prix par heure d’audio |
|---|---|
| Transcription par lots | 0,10 € |
| Transcription en temps réel | 0,20 € |
La diarisation, les horodatages et les termes clés sont inclus dans le prix. Pour comparer les modes, tenez compte non seulement du prix, mais aussi de la nécessité d’un traitement en temps réel.
Quelles langues et quels formats sont pris en charge
Grok Voice Transcribe 2.0 transcrit des dizaines de langues, détecte automatiquement la langue et gère le changement de langue au milieu d’un enregistrement.
- L’API de traitement par lots accepte des fichiers d’une taille maximale de 500 MB.
- 12 formats audio sont disponibles pour le traitement par lots.
- Le streaming fonctionne via WebSocket à l’adresse
wss://api.x.ai/v1/stt.
Le choix dépend ici des exigences en matière de langues et du mode de transmission audio : API de traitement par lots ou flux WebSocket.
Où le modèle est déjà utilisé
Atlassian Loom utilise Grok Voice Transcribe 2.0 pour transcrire chaque vidéo. Atlassian a indiqué que le modèle était plus précis que sa solution précédente.
Cet exemple confirme l’utilisation du modèle dans Loom, mais ne fournit pas d’évaluation comparative pour d’autres systèmes.
Foire aux questions
Matériaux connexes
Tous matériaux
Évaluation des agents de programmation pour le développement XR interactif : résultats de GenXR-Bench
GenXR-Bench est publié : un ensemble de 112 tâches expertes pour évaluer de bout en bout les agents de programmation dans le développement XR interactif, de l’amélioration de fonctionnalités et de la correction de défauts à la création d’applications dont le comportement est testé sur du matériel grand public. Parmi les dix modèles testés, le meilleur résultat a été de 50,9 % en Pass@1 ; les défaillances récurrentes concernent notamment la gestion des événements asynchrones des capteurs, l’ancrage des objets dans l’espace réel et la compréhension des interactions dans un contexte physique.
5 novembre 2026
De la récompense scalaire au front de Pareto : synthèse RTL par LLM avec apprentissage par renforcement multicritère
Une méthode est proposée pour entraîner un modèle de langage à générer non pas un seul schéma, mais un ensemble de candidats RTL offrant différents compromis entre surface, latence et consommation d’énergie ; la récompense est calculée en fonction de la contribution de chaque variante à l’hypervolume du front de Pareto. Sur RTLLM v2, l’hypervolume relatif a augmenté de 13,3 points de pourcentage par rapport à la version de base sans optimisation PPA et de 14,4 points de pourcentage par rapport à l’apprentissage par renforcement mono-objectif.
5 novembre 2026
Les LLM médicales sont informés des révisions des recommandations, mais répondent souvent selon les anciennes règles
L’étude de ChronoEvo portant sur 1 709 changements dans les recommandations cliniques montre que, dans le modèle principal, 90,8 % des réponses repéraient la nouveauté, mais que seules 58,5 % l’appliquaient intégralement, avec un écart de 32,3 points de pourcentage observé dans 14 modèles. Même en renforçant la visibilité des mises à jour, le transfert intégral des nouvelles règles dans les recommandations cliniques n’a pas connu de hausse significative.
4 novembre 2026