SpaceXAI 发布 Grok Voice Transcribe 2.0 语音转文本模型：错误率降低约一半，价格保持不变

当地时间 9 月 18 日，SpaceXAI 发布了 Grok Voice Transcribe 2.0 语音转文本模型，在保持价格不变的前提下，错误率降低约一半。

模型性能全面提升

官方表示，Grok Voice Transcribe 2.0 基于 Grok Voice 底层的音频基础模型构建。目前，Grok Voice 已全面赋能实际业务：每天承接数万通客服电话，转录数百万小时的视频旁白，并驱动实体硬件中的各类语音智能体 —— 其中包括特斯拉车辆中搭载的 Grok 助手。

在 Artificial Analysis 榜单中，Grok Voice Transcribe 2.0 在全部 32 款流式模型中准确率高居榜首。

内部数据集评测表现优异

除公开基准外，SpaceXAI 基于线上实际业务中采样的四个内部数据集，对模型的词错误率进行了系统评测。这四个测试集分别涵盖：客服电话音频、与 Grok 的日常对话（英语）、电话号码、邮箱、地址等口述信息，以及多语种简短语音指令。在四个数据集的评测中，Grok Voice Transcribe 2.0 的表现均全面超越 1.0 版本。

定价维持不变，功能全面包含

Grok Voice Transcribe 2.0 的定价与 1.0 版本保持完全一致。批量转录为每小时音频 0.10 美元，实时流式转录为每小时 0.20 美元；同时，说话人分离、精确时间戳以及自定义关键词功能均已全部包含在内，无需支付额外费用。