xAI发布Grok Voice Transcribe 2.0，称准确率是上一代两倍且价格不变
xAI称新模型在Artificial Analysis流式模型准确率榜单位列第一，短语音命令的词错误率从 20.6% 降至 6.8%，批量转写维持每小时 0.10 美元。
xAI发布语音转文字模型Grok Voice Transcribe 2.0。xAI称，在其真实场景评测中，该模型是当前最准确的转写模型之一，准确率是Grok Voice Transcribe 1.0的两倍，价格与 1.0 相同。
据xAI介绍，Grok Voice Transcribe 2.0建立在支撑Grok Voice的音频基础模型之上。Grok Voice目前每天支持数万通客服电话，转写数百万小时视频旁白，并在实体产品中运行语音代理，包括特斯拉车辆中的Grok助手。该模型使用在多种环境中录制的实时、嘈杂、多语言音频数据集训练，并经过后训练优化。
准确率：流式榜单位列第一，电话音频领先测试模型
xAI称，多数转写模型在干净的单人音频上表现良好，但真实音频更难：线路不稳定的电话、多人同时说话、地方口音、以及念出电话号码或邮箱地址。xAI表示Grok Voice Transcribe 2.0是为各种条件和环境下最难的音频构建的。
在公开的Artificial Analysis排行榜上，xAI称Grok Voice Transcribe 2.0在 32 个流式模型中的准确率排名第一。
除公开基准外，xAI用取自生产流量的四个内部数据集衡量词错误率：客服通话的电话音频、与Grok的对话、口述凭证（如账号代码和邮箱地址）、以及简短的多语言语音命令。xAI称，2.0 在全部四个数据集上都优于 1.0，在电话音频上领先其测试过的所有模型。
多语言：短句词错误率从 20.6% 降至 6.8%
xAI称Grok Voice Transcribe 2.0可转写数十种语言，自动检测语言，并在单次处理中跟随录音中途的语言切换。xAI表示，多语言准确率是相对 1.0 最大的改进。
xAI指出，车载命令这类短语留给模型判断语言的上下文很少。在其短句数据集上，词错误率从 20.6% 降至 6.8%。
功能：现有API集成无需改代码即可获得准确率提升
xAI列出Grok Voice Transcribe 2.0支持的高级配置和控制项：批量与流式转写；词级时间戳；说话人分离；多声道转写；关键术语偏置；文本格式化；填充词移除；以及面向语音代理的智能轮次检测。
xAI表示，现有的语音转文字API集成无需修改代码即可获得准确率提升。
- 批量与流式：可转写录音文件和URL，也可实时转写音频流。
- 词级时间戳：每个词有精确的开始/结束时间和置信度分数。
- 说话人分离：为转写文本中的每个说话人打标签，不额外收费。
- 多声道转写：最多可独立转写 8 个声道。
- 关键术语偏置：每次请求最多传入 100 个领域术语，如产品名称或医学术语。
- 文本格式化：数字、日期、货币、电话号码和邮箱地址以书面形式返回。
- 填充词移除：从转写文本中省略“um”“uh”等填充词。
- 智能轮次检测：检测说话人轮次结束，供语音代理使用。
Atlassian Loom采用，称转写更准确
xAI称，Atlassian的Loom被广泛用于录制和分享屏幕录制。Atlassian发现Grok Voice Transcribe 2.0在转写Loom视频时比其现有解决方案更准确。
xAI描述了一种工作流：在Loom中录制行动计划，把转写文本接入Cursor，由Cursor直接生成代码改动。
Atlassian团队协作产品集合高级副总裁Sanchan Saxena表示：“我们一直相信，推动工作前进的最佳方式是捕获一次上下文，并让它流动到各处。由Grok驱动Loom的语音转文字、Cursor把它转化为代码，我们正在闭合从上下文到代码的环路：录下你的意图，工作就会被完成。这让人一窥AI辅助开发的方向。”
价格与迁移：维持原价，1.0 将在数周内弃用
xAI称Grok Voice Transcribe 2.0的定价与 1.0 完全相同：批量转写为每小时音频 0.10 美元，流式为每小时 0.20 美元，说话人分离、时间戳和关键术语均包含在内。
xAI表示，Grok Voice Transcribe 2.0很快将成为语音转文字API的默认版本，Grok Voice Transcribe 1.0将在未来几周内弃用。若要在此期间继续使用 1.0，需固定使用grok-voice-transcribe-1.0。