xAI uvádí model převodu řeči na text Grok Voice Transcribe 2.0

xAI uvedl Grok Voice Transcribe 2.0, svůj nejnovější model převodu řeči na text, dne 18. září 2026, s cenou dávkového zpracování 0,10 USD za hodinu zvuku a popsal model jako dvakrát přesnější než Grok Voice Transcribe 1.0.

Grok Voice Transcribe 2.0 je postaven na zvukovém základním modelu, který stojí za Grok Voice. Podle xAI Grok Voice již denně zpracovává desítky tisíc hovorů zákaznické podpory, přepisuje miliony hodin video narace a provozuje hlasové agenty ve fyzických produktech, včetně asistenta Grok ve vozidlech Tesla. Společnost uvedla, že nový model byl trénován na živém, hlučném, vícejazyčném zvuku zaznamenaném v různorodých prostředích a následně vylepšen po tréninku, a popisuje výsledek jako jeden z nejpřesnějších modelů přepisu řeči dostupných pro reálná nastavení.

Hodnocení přesnosti

xAI uvedla, že Grok Voice Transcribe 2.0 dosahuje první pozice v přesnosti mezi 32 streamovacími modely na veřejném žebříčku Artificial Analysis. Kromě veřejných benchmarků společnost měří chybovost slov na čtyřech interních hodnotících sadách odvozených z produkčního provozu: telefonní audio ze hovorů zákaznické podpory, konverzace s Grok, mluvené přihlašovací údaje jako kódy účtů a e‑mailové adresy a krátké vícejazyčné hlasové příkazy. Společnost uvedla, že nový model překonává Grok Voice Transcribe 1.0 ve všech čtyřech sadách a vede před všemi modely, které testovala na telefonní sadě, která se skládá z 8 kHz anglických hovorů zákaznické podpory. Publikované grafy xAI porovnávají model s Gemini 3.5 Transcribe, MAI‑Transcribe‑2, ElevenLabs Scribe v2, Deepgram Nova‑3 a Whisper Large v3 v těchto interních sadách.

Podle xAI je vícejazyčný přepis největším ziskem v přesnosti oproti verzi 1.0. Společnost uvedla, že model přepisuje desítky jazyků, automaticky detekuje jazyk a během nahrávání sleduje přepínání jazyků v jednom průchodu. Krátké fráze, jako jsou příkazy v autě, poskytují modelu málo kontextu pro určení jazyka; ve sadu krátkých frází hlasových asistentů xAI, který zahrnuje 19 jazyků, klesla chybovost slov z 20,6 % na 6,8 %, uvedla společnost.

Funkce a přístup k API

Prostřednictvím API převodu řeči na text Grok Voice Transcribe 2.0 zpracovává dávkové přepisy nahraných souborů a URL i streamování v reálném čase. Dokumentovaná sada funkcí zahrnuje časové razítka na úrovni slov s ukazateli spolehlivosti, diarizaci řečníků bez dalších nákladů, vícekanalový přepis až osmi kanálů, biasování klíčových termínů až 100 doménových termínů na požadavek, formátování textu, které vrací čísla, data, měny, telefonní čísla a e‑mailové adresy v psané podobě, odstraňování výplňových slov a chytré rozpoznání konce řečnického záběru pro hlasové agenty. xAI uvedla, že stávající integrace API převodu řeči na text získají zlepšení přesnosti bez změn kódu.

Oficiální dokumentace převodu řeči na text uvádí 12 podporovaných audio formátů, maximální velikost souboru 500 MB a vzorkovací frekvence 8000, 16000, 22050, 24000, 44100 a 48000 Hz. Parametr jazyka umožňuje formátování v psané podobě ve 25 jazycích, mezi nimi angličtina, španělština, francouzština, němčina, hindština, japonština a korejština.

Dávkové požadavky používají multipart form data a musí poskytnout buď nahraný soubor, nebo URL, kterou server stáhne a přepíše; odpověď vrací celý přepis, detekovaný jazyk jako kód BCP‑47, délku zvuku v sekundách a segmenty na úrovni slov s časy začátku a konce. Pro streamování klienti odesílají surový audio jako binární rámce na WebSocket koncový bod na adrese wss://api.x.ai/v1/stt a přijímají události JSON přepisu během zpracování zvuku, s volitelnými mezivýsledky emitovanými přibližně každých 500 milisekund.

Nasazení v Loom, ceny a ukončení podpory

xAI uvedla, že Atlassian vyhodnotila Grok Voice Transcribe 2.0 oproti svému stávajícímu řešení přepisu, zjistila, že je přesnější, a nyní používá model k přepisu každého videa v Loom, svém produktu pro nahrávání obrazovky. oznámení xAI citovalo Sanchana Saxenu, senior viceprezident Teamwork Collection ve společnosti Atlassian, o pracovních postupech, které přenášejí přepisy Loom do nástroje Cursor pro kódování: “S Grok, který pohání převod řeči na text v Loom, a Cursor, který to převádí na kód, uzavíráme smyčku od kontextu kódu: zaznamenejte, co máte na mysli, a práce se vykoná.”

Ceny jsou stejné jako u Grok Voice Transcribe 1.0: 0,10 USD za hodinu zvuku pro dávkový přepis a 0,20 USD za hodinu pro streamování, přičemž jsou zahrnuty diarizace, časová razítka a klíčové termíny. xAI uvedla, že Grok Voice Transcribe 2.0 brzy bude výchozím modelem v API převodu řeči na text a že verze 1.0 bude v nadcházejících týdnech ukončena; zákazníci, kteří chtějí během přechodu zůstat u staršího modelu, mohou v požadavcích připnout grok-voice-transcribe-1.0. Dokumentace v současnosti uvádí grok-voice-transcribe-1.0 jako výchozí, pokud je parametr modelu vynechán, přičemž grok-voice-transcribe-2.0 je volitelný na jakémkoli REST i WebSocket koncovém bodě.