xAI 发布 Grok Voice Transcribe 2.0 语音转写模型，准确率较 1.0 翻倍

今天，我们发布 Grok Voice Transcribe 2.0，这是我们最新的语音转文字模型。在我们的真实世界评测中，Grok Voice Transcribe 2.0 是当今可用的最准确的转录模型之一，准确率是 Grok Voice Transcribe 1.0 的两倍，而价格相同。

Grok Voice Transcribe 2.0 构建于 Grok Voice 背后的音频基础模型之上。Grok Voice 目前每天已为数万通客户支持通话提供支持，转录数百万小时的视频旁白，并在实体产品中运行语音智能体，包括 Tesla 车辆中的 Grok 助手。它在一个独特的数据集上训练，该数据集由在多样化环境中录制的真实、嘈杂、多语言音频组成，并通过后训练进行优化。

其结果是真实世界场景下最准确的语音转录模型之一。

准确率

大多数转录模型在干净的单说话人音频上表现良好。真实世界的音频则更难：不稳定的电话线路、相互重叠的人声、地方口音，以及被大声读出的电话号码或电子邮件地址。我们打造 Grok Voice Transcribe 2.0，正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 个流式模型中准确率排名第一。

准确率与价格对比

越靠上、越靠右越好。

来源：

Artificial Analysis

内部评估

除了公开基准测试之外，我们还基于生产流量构建了四个内部数据集来衡量词错误率：来自客户支持通话的电话音频、与 Grok 的对话、账户代码和电子邮件地址等语音凭证，以及简短的多语言语音指令。Grok Voice Transcribe 2.0 在这四个数据集上均优于 Grok Voice Transcribe 1.0，而在电话场景中，它领先于我们测试过的所有模型。

电话（8 kHz）

客户支持通话 · 英语

对话

与 Grok 的对话 · 英语

凭证

电话号码、电子邮件、地址 · 英语

短语

语音助手话语 · 19 种语言

多语言

Grok Voice Transcribe 2.0 可转录数十种语言，自动检测语言，并在单次处理中跟随录制中途的语言切换。多语言准确性是它相较 Grok Voice Transcribe 1.0 最大的提升。

Grok Voice Transcribe 2.0

Grok Voice Transcribe 1.0

ElevenLabs Scribe v2

Deepgram Nova-3

诸如车载指令之类的短语给模型提供的语言识别上下文很少。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 集成无需更改代码即可获得准确性提升：

批处理与流式处理。转录录制的文件和 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。在转录文本中标记每位说话人，无需额外费用。

多声道转录。 最多可独立转录 8 个声道。

关键术语偏置。 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均以书面形式返回。

填充词移除。 从转录文本中省略“um”和“uh”等填充词。

智能轮次检测。 为语音智能体检测说话者轮次的结束。

Grok Voice 赋能 Atlassian Loom

Atlassian Loom 被广泛用于录制和分享屏幕录像。Atlassian 发现 Grok Voice Transcribe 2.0 比其现有方案更准确，现在用它来转录每一个视频。准确的转录文本开启了新的 AI 工作流：在 Loom 中录制一份行动计划，将转录文本传入 Cursor，它就能直接完成代码更新。

媒体内容 · 前往原文查看

“我们始终相信，推动工作向前的最佳方式是只捕获一次上下文，并让它随处流动。借助 Grok 为 Loom 的语音转文字提供支持，再由 Cursor 将其转化为代码，我们正在闭合从上下文到代码的环路：录下你的意图，工作就能完成。这让我们一窥 AI 辅助开发的未来方向。”

Sanchan Saxena，Atlassian 团队协作系列高级副总裁

价格

Grok Voice Transcribe 2.0 的定价与 Grok Voice Transcribe 1.0 完全相同。批量转写仍为每小时音频 $0.10，流式转写为每小时 $0.20，包含说话人分离、时间戳和关键术语功能。

批量

美元/每小时音频

流式

美元/每小时音频

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