短句识别错误率从20.6%降到6.8%，xAI发布Grok Voice Transcribe 2.0新模型价格没涨

它到底在啃什么硬骨头

　　Grok Voice Transcribe 2.0瞄准的不是录音棚里的干净人声，而是那些让传统语音转文本模型头疼的音频：嘈杂的电话线路、多人同时说话、地方口音，还有口头念出的电话号码、邮箱和地址。

　　它跑在Grok Voice背后的音频基础模型上。按xAI的说法，Grok Voice每天已经在处理数万通客服电话，转写数百万小时的视频旁白，还在特斯拉车里跑着Grok助手。

　　训练数据用的是真实、嘈杂、多语言的音频，采集自各种不同环境，之后再经过后训练打磨。

　　支持批处理和实时流式两种模式，都走同一个Speech to Text API。

榜单第一，但有个前提

　　xAI报告称，在公开的Artificial Analysis排行榜上，它在32个流式模型中准确率排第一。

　　这个叫AA-WER Streaming的基准用了大约8小时音频，权重分配是：AA-AgentTalk占50%，VoxPopuli占25%，Earnings22占25%。

　　除了公开榜单，xAI还在4个来自生产流量的内部数据集上测了词错误率：

• 电话（8 kHz）：英语客服通话
• 对话：和Grok的英语对话
• 凭证：英语的电话号码、邮箱、地址
• 短句：19种语言的语音助手指令

　　2.0在4个数据集上全面超过1.0。在电话场景，xAI说它领先所有被测模型。

　　需要说明的是，这些内部结果是厂商自己报告的，没有经过独立复现。

多语言和语言切换才是重头戏

　　模型能转写数十种语言，并自动检测语种。它还能在一次处理中跟上录音中途的语言切换。

　　xAI团队把多语言准确率称为相对1.0最大的改进。

　　短句场景最能说明问题——比如车内指令，模型能拿到的上下文极少，判断语种很难。就是在这个数据集上，词错误率从20.6%降到6.8%，算下来词错误少了大约67%。

　　文档里列出了25种语言，支持数字、货币和单位的书面格式化。

开发者能拿到什么

　　下面这些功能都在同一个API里：

• 批处理和流式：转写文件和URL，或通过WebSocket在wss://api.x.ai/v1/stt流式传输音频
• 词级时间戳：每个词的起止时间和置信度分数
• 说话人分离：说话人标签，不额外收费
• 多通道转写：最多8个通道独立转写
• 关键词偏置：每次请求最多100个领域词，每个词最多50个字符
• 文本格式化：数字、日期、货币、电话、邮箱以书面形式返回
• 填充词移除：默认去掉“um”和“uh”
• 智能轮次检测：用机器学习模型预测语音代理的轮次结束

　　批处理端点接受最大500 MB的文件，覆盖12种音频格式。流式还接受Opus，约4 KB/s，而24 kHz的原始PCM要48 KB/s。

价格没动

　　定价和1.0完全一样。批处理每小时音频0.10美元，流式0.20美元。说话人分离、时间戳和关键词都包含在内。折算下来，每1000分钟分别约1.67美元和3.33美元。

　　调用方式很直接：

curl -X POST https://api.x.ai/v1/stt \ -H “Authorization: Bearer $XAI_API_KEY” \ -F model=grok-voice-transcribe-2.0 \ -F format=true \ -F language=en \ -F file=@audio.mp3

已经有公司在用了

　　Atlassian Loom现在用Grok Voice Transcribe 2.0转写每一条视频。Atlassian发现它比现有方案更准。

　　xAI描述的工作流是：录制、转写、然后写代码。用户在Loom里录一段行动计划，转写文本被送进Cursor，由后者完成代码更新。Atlassian团队协作产品线高级副总裁Sanchan Saxena把这叫做“从上下文到代码的闭环”。

几个关键数字

• 官方称准确率是1.0的两倍，价格不变
• 批处理每小时0.10美元，流式0.20美元
• xAI报告在Artificial Analysis的32个流式模型中排第一
• 19种语言的短句词错误率从20.6%降到6.8%
• 目前只能走API，调用时需显式指定model=grok-voice-transcribe-2.0