xAI Merilis Model Speech-to-Text Grok Voice Transcribe 2.0

xAI merilis Grok Voice Transcribe 2.0, model speech-to-text terbarunya, pada 18 September 2026, dengan harga batch $0.10 per jam audio sambil menggambarkan model ini dua kali lebih akurat dibandingkan Grok Voice Transcribe 1.0.

Grok Voice Transcribe 2.0 dibangun di atas model fondasi audio yang mendasari Grok Voice. Menurut xAI, Grok Voice sudah mendukung puluhan ribu panggilan dukungan pelanggan setiap hari, mentranskripsi jutaan jam narasi video, dan menjalankan agen suara dalam produk fisik, termasuk asisten Grok di kendaraan Tesla. Perusahaan menyatakan bahwa model baru ini dilatih dengan audio langsung, berisik, multibahasa yang direkam di berbagai lingkungan, dan disempurnakan dengan pelatihan lanjutan, serta menggambarkan hasilnya sebagai salah satu model transkripsi paling akurat yang tersedia untuk ucapan dalam situasi dunia nyata.

Evaluasi Akurasi

xAI menyatakan bahwa Grok Voice Transcribe 2.0 menempati peringkat pertama untuk akurasi di antara 32 model streaming pada papan peringkat publik Artificial Analysis. Selain benchmark publik, perusahaan mengukur tingkat kesalahan kata pada empat set evaluasi internal yang diambil dari lalu lintas produksi: audio telepon dari panggilan dukungan pelanggan, percakapan dengan Grok, kredensial lisan seperti kode akun dan alamat email, serta perintah suara multibahasa singkat. Perusahaan melaporkan bahwa model baru ini meningkatkan performa dibandingkan Grok Voice Transcribe 1.0 pada semua empat set dan mengungguli setiap model yang diuji pada set telepon, yang terdiri dari panggilan dukungan pelanggan berbahasa Inggris dengan frekuensi 8 kHz. Diagram yang dipublikasikan oleh xAI membandingkan model ini dengan Gemini 3.5 Transcribe, MAI-Transcribe-2, ElevenLabs Scribe v2, Deepgram Nova-3, dan Whisper Large v3 pada set internal tersebut.

Menurut xAI, transkripsi multibahasa merupakan peningkatan akurasi terbesar dibandingkan versi 1.0. Perusahaan menyatakan bahwa model ini dapat mentranskripsi puluhan bahasa, mendeteksi bahasa secara otomatis, dan mengikuti pergantian bahasa di tengah rekaman dalam satu proses. Frasa pendek, seperti perintah dalam mobil, memberikan sedikit konteks bagi model untuk mengidentifikasi bahasa; pada set frasa pendek asisten suara xAI yang mencakup 19 bahasa, tingkat kesalahan kata turun dari 20.6 percent menjadi 6.8 percent, lapor perusahaan.

Fitur dan Akses API

Melalui Speech-to-Text API, Grok Voice Transcribe 2.0 menangani transkripsi batch file rekaman dan URL serta streaming waktu nyata. Set fitur yang didokumentasikan mencakup cap waktu tingkat kata dengan skor kepercayaan, diarization pembicara tanpa biaya tambahan, transkripsi multisaluran hingga delapan saluran, bias istilah kunci hingga 100 istilah domain per permintaan, pemformatan teks yang mengembalikan angka, tanggal, mata uang, nomor telepon, dan alamat email dalam bentuk tertulis, penghapusan kata pengisi, serta deteksi giliran pintar yang mengidentifikasi akhir giliran pembicara untuk agen suara. xAI menyatakan bahwa integrasi Speech-to-Text API yang ada menerima peningkatan akurasi tanpa perubahan kode.

Dokumentasi resmi dokumentasi speech-to-text mencantumkan 12 format audio yang didukung, ukuran file maksimum 500 MB, dan laju sampel 8000, 16000, 22050, 24000, 44100, serta 48000 Hz. Parameter bahasa memungkinkan pemformatan bentuk tertulis untuk 25 bahasa, termasuk Inggris, Spanyol, Prancis, Jerman, Hindi, Jepang, dan Korea.

Permintaan batch menggunakan data formulir multipart dan harus menyediakan file yang diunggah atau URL agar server dapat mengunduh dan mentranskripsinya; respons mengembalikan transkrip lengkap, bahasa yang terdeteksi sebagai kode BCP-47, durasi audio dalam detik, serta segmen tingkat kata dengan waktu mulai dan selesai. Untuk streaming, klien mengirim audio mentah sebagai frame biner ke endpoint WebSocket di wss://api.x.ai/v1/stt dan menerima peristiwa transkrip JSON saat audio diproses, dengan hasil interim opsional yang dikeluarkan kira-kira setiap 500 milidetik.

Penerapan Loom, Harga, dan Penghentian

xAI menyatakan bahwa Atlassian mengevaluasi Grok Voice Transcribe 2.0 dibandingkan solusi transkripsi yang ada, menemukan bahwa model ini lebih akurat, dan kini menggunakan model tersebut untuk mentranskripsi setiap video di Loom, produk perekaman layarnya. pengumuman xAI mengutip Sanchan Saxena, wakil presiden senior Teamwork Collection di Atlassian, mengenai alur kerja yang mengalirkan transkrip Loom ke alat pengkodean Cursor: “Dengan Grok yang mendukung speech-to-text Loom dan Cursor yang mengubahnya menjadi kode, kami menutup siklus dari konteks ke kode: rekam apa yang Anda maksud, dan pekerjaan selesai.”

Harga sama dengan Grok Voice Transcribe 1.0: $0.10 per jam audio untuk transkripsi batch dan $0.20 per jam untuk streaming, dengan diarization, cap waktu, dan istilah kunci termasuk. xAI menyatakan bahwa Grok Voice Transcribe 2.0 akan segera menjadi model default dalam Speech-to-Text API dan bahwa versi 1.0 akan dihentikan dalam beberapa minggu mendatang; pelanggan yang ingin tetap menggunakan model sebelumnya selama transisi dapat menyematkan grok-voice-transcribe-1.0 dalam permintaan mereka. Dokumentasi saat ini mencantumkan grok-voice-transcribe-1.0 sebagai default ketika parameter model dihilangkan, dengan grok-voice-transcribe-2.0 dapat dipilih pada endpoint REST dan WebSocket.