SpaceXAI 正式推出语音转文本模型 Grok Voice Transcribe 2.0，模型 ID 为 grok-voice-transcribe-2.0。该版本基于 Grok Voice 音频基础模型构建，针对嘈杂电话线路、重叠人声、地方口音及口头凭证等高难度音频场景进行了专项优化。开发团队表示，在维持原有定价的前提下，2.0 版本的准确率较 1.0 版本提升了一倍。
- 官方介绍：https://x.ai/news/grok-voice-transcribe-2
目前该模型仅以托管 API 形式提供服务，支持批处理与实时流式两种调用模式。SpaceXAI 尚未开放模型权重，因此用户无法自行部署或微调。对于需要集成语音转录能力的开发者而言，这是当前唯一可用的接入方式。
基准测试表现与内部验证数据
在第三方平台 Artificial Analysis 的流式语音识别排行榜上，Grok Voice Transcribe 2.0 在 32 个参评模型中位列第一。该榜单使用的 AA-WER Streaming 基准包含约 8 小时音频，权重分配为 AA-AgentTalk 50%、VoxPopuli 25%、Earnings22 25%。
SpaceXAI 还公布了从生产流量中抽取的四个内部测试集的词错误率（WER）结果：
- 电话（8 kHz）：英语客户支持通话，官方称领先于其测试过的所有竞品模型。
- 对话：用户与 Grok 助手的英语交互录音。
- 凭证：电话号码、邮箱、地址等结构化口语信息。
- 短短语：覆盖 19 种语言的语音助手指令。
在所有四个集合上，2.0 版本均优于 1.0 版本。其中短短语集合的 WER 从 20.6% 降至 6.8%，降幅约 67%。需注意的是，这些内部数据由供应商自行报告，尚未经过独立第三方复现验证。
多语言能力与开发者功能集
多语言准确性是此次升级的重点改进方向。模型支持数十种语言的自动检测与转录，并能在单次处理中识别录音中途的语言切换。文档明确列出了 25 种语言用于数字、货币和单位的书面格式化输出。
API 层面提供了以下核心功能，均包含在基础定价内，无额外费用：
- 双模式接入：批处理支持最大 500 MB 文件及 12 种音频格式；流式传输通过 WebSocket (
wss://api.x.ai/v1/stt) 接入，支持 Opus 编码（约 4 KB/s）。 - 词级时间戳：每个词附带起止时间与置信度分数。
- 说话人分离：自动标注不同发言者身份。
- 多通道转录：最多支持 8 个音频通道独立处理。
- 关键术语偏置：每请求可指定最多 100 个领域术语（每个≤50 字符），提升专有名词识别率。
- 智能文本格式化：自动将数字、日期、货币、电话、邮箱转为规范书面形式。
- 填充词过滤：默认移除 “um”、”uh” 等语气词。
- 轮次结束预测：内置 ML 模型为语音代理预判发言结束时机。
定价结构与 Atlassian Loom 集成案例
Grok Voice Transcribe 2.0 延续了 1.0 版本的定价策略：
- 批处理转录：每小时音频 $0.10（约合每 1000 分钟 $1.67）
- 实时流式转录：每小时音频 $0.20（约合每 1000 分钟 $3.33）
说话人分离、时间戳、术语偏置等功能均包含在内，不另行计费。
Atlassian Loom 已将该模型作为其视频转录的默认后端。据 Atlassian 团队协作集合高级副总裁 Sanchan Saxena 介绍，实际工作流为“录制→转录→编码”：用户在 Loom 中录制行动计划后，转录文本被直接传入 Cursor 进行代码更新，形成“从上下文到代码的闭环”。Atlassian 方面表示，新模型在准确率上优于其原有解决方案。
使用注意事项与局限性
尽管性能指标亮眼，使用者仍需注意以下几点：
- 仅限 API 调用：必须显式设置
model=grok-voice-transcribe-2.0，无本地部署选项。 - 基准数据待验证：Artificial Analysis 排名虽具参考价值，但内部 WER 数据缺乏独立审计。
- 多语言格式化范围有限：仅 25 种语言支持结构化输出，其余语种可能返回原始转录文本。
- 流式带宽差异显著：Opus 编码仅需 4 KB/s，而 24 kHz PCM 需 48 KB/s，选型直接影响成本与延迟。
对于正在评估 STT 服务的团队，建议结合自身业务音频特征进行小规模实测，而非仅依赖公开基准排名。尤其在非英语、强噪声或高密度术语场景下，实际表现可能与实验室数据存在偏差。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
