SpaceXAI 推出 Grok Voice Transcribe 2.0，错误率更低，价格维持原有水平

SpaceXAI 发布了什么

Grok Voice Transcribe 2.0 是一款语音识别模型，可通过 Speech to Text API 使用。它支持批量和流式处理；模型标识符为 grok-voice-transcribe-2.0。

• API 今日可用。
• 尚未公布开放权重，因此无法自行运行该模型。
• 该模型只能通过 API 使用。

选择取决于集成方式：该模型适合通过 API 进行批量或流式处理，但不适合自行运行。

准确度方面有哪些信息

开发团队称，Grok Voice Transcribe 2.0 的准确度是 1.0 版本的两倍，价格不变。

SpaceXAI 称，该模型在 Artificial Analysis 公布的排名中位列 32 款流式模型之首。AA-WER Streaming 测试使用约 8 小时的音频：AA-AgentTalk 占 50% 权重，VoxPopuli 占 25%，Earnings22 占 25%。

在一组涵盖 19 种语言的内部短句测试中，WER 从 20.6% 降至 6.8%。公司估算，词级错误减少了约 67%，并称四组内部测试的结果均有所改善。

SpaceXAI 的内部测试结果尚未经过独立复现。因此，关于准确度的说法应与公开排名的结果分开看待。

转录费用是多少

Grok Voice Transcribe 2.0 沿用了 Grok Voice Transcribe 1.0 的价格。费用取决于音频处理模式。

说话人分离、时间戳和关键词均包含在价格中。比较不同模式时，不仅要考虑价格，还要考虑是否需要流式处理。

支持哪些语言和格式

Grok Voice Transcribe 2.0 可转录数十种语言，自动识别语言，并能处理录音中途切换语言的情况。

• 批量 API 接受最大 500 MB 的文件。
• 批量处理支持 12 种音频格式。
• 流式传输通过 WebSocket 实现，地址为 wss://api.x.ai/v1/stt。

选择时应考虑语言需求和音频传输方式：批量 API 或 WebSocket 流。

该模型已在哪里使用

Atlassian Loom 使用 Grok Voice Transcribe 2.0 转录每个视频。Atlassian 称，该模型比其此前使用的方案更准确。

这个案例证实该模型已在 Loom 中使用，但无法据此评估它与其他系统的表现。