xAI 发布语音转写模型 Grok Voice Transcribe 2.0，同价下准确率为上代两倍

今天我们发布 Grok Voice Transcribe 2.0，这是我们最新的语音转文本模型。在我们的真实世界评估中，Grok Voice Transcribe 2.0 是当今最准确的转录模型之一，准确度是 Grok Voice Transcribe 1.0 的两倍，而价格保持不变。

Grok Voice Transcribe 2.0 构建于 Grok Voice 背后的音频基础模型之上。Grok Voice 目前每天支持数以万计的客户支持通话，转录数百万小时的视频旁白，并在实体产品中运行语音代理，包括 Tesla 车辆中的 Grok 助手。它的训练数据集独一无二，涵盖在多种环境下录制的真实、嘈杂的多语言音频，并通过后训练进行优化。

其成果就是面向真实环境语音的最准确转录模型之一。

准确度

大多数转录模型在干净的单人音频上表现良好。真实世界的音频则更难处理：不稳定的电话线路、相互交织的人声、地方口音，以及被朗读出来的电话号码或电子邮件地址。我们打造 Grok Voice Transcribe 2.0，就是为了应对各种条件和环境下最困难的音频。

在公开的 Artificial Analysis 排行榜上，Grok Voice Transcribe 2.0 在 32 个流式模型中以准确度排名第一。

内部评估

除了公开基准测试之外，我们还在取自生产流量的四个内部测试集上测量词错误率：来自客户支持通话的电话音频、与 Grok 的对话、以口述形式说出的账户代码和电子邮件地址等凭据，以及简短的多语言语音指令。Grok Voice Transcribe 2.0 在全部四项测试上都优于 Grok Voice Transcribe 1.0，并且在电话音频上领先于我们测试过的所有模型。

多语言

Grok Voice Transcribe 2.0 可转录数十种语言，自动检测语言，并在单次处理中识别录音中途的语言切换。多语言准确度是它相较 Grok Voice Transcribe 1.0 最大的提升。

像车内指令这样的简短短语，几乎不会给模型提供识别语言的上下文。在我们的短语测试集上，词错误率从 20.6% 降至 6.8%。

功能

Grok Voice Transcribe 2.0 支持高级配置和控制。现有的 Speech-to-Text API 集成无需更改任何代码即可获得准确度提升：

批量和流式。转录已录制的文件和 URL，或实时转录音频流。
词级时间戳。每个词都有精确的开始/结束时间和置信度分数。
说话人分离。在转录文本中标注每位说话人，无需额外费用。
多声道转录。最多可独立转录 8 个声道。
关键词偏置。每次请求最多可传入 100 个领域术语，例如产品名称或医学术语。
文本格式化。数字、日期、货币、电话号码和电子邮件地址以书面形式返回。
填充词移除。从转录文本中省略诸如“嗯”“呃”之类的填充词。
智能轮次检测。为语音代理检测说话人轮次的结束。

Grok Voice 为 Atlassian Loom 提供支持

Atlassian Loom 被广泛用于录制和分享屏幕录像。Atlassian 发现，在为 Loom 视频进行转录时，Grok Voice Transcribe 2.0 比他们现有的解决方案更加准确。精准的转录文本开启了新的 AI 工作流：在 Loom 中录制行动计划，将转录文本输入 Cursor，它就能直接完成代码更新。

“我们始终相信，推动工作向前发展的最佳方式是只捕获一次上下文，并让它流向各处。有了 Grok 为 Loom 的语音转文字提供支持，再加上 Cursor 将其转化为代码，我们正在打通从上下文到代码的完整闭环：说出你的意图，工作便能完成。这让我们得以一窥 AI 辅助开发的未来方向。”

Sanchan Saxena，Atlassian Teamwork Collection 高级副总裁

价格

Grok Voice Transcribe 2.0 的定价与 Grok Voice Transcribe 1.0 完全相同。批量转录仍为每小时的音频 0.10 美元，流式转录为每小时 0.20 美元，且包含说话人分离、时间戳和关键词。

Grok Voice Transcribe 2.0 即将成为 Speech-to-Text API 的默认版本，而 Grok Voice Transcribe 1.0 将在未来几周内被弃用。如需在过渡期间继续使用 1.0 版本，请固定 grok-voice-transcribe-1.0。

开始使用 Grok Voice Transcribe 构建

在线试用查看文档