xAI 发布 Grok Voice Transcribe 2.0 语音转文字模型

xAI 于 2026 年 9 月 18 日发布了 Grok Voice Transcribe 2.0，这款最新的语音转文字模型，批量定价为每小时音频 0.10 美元，并称该模型的准确率是 Grok Voice Transcribe 1.0 的两倍。

Grok Voice Transcribe 2.0 基于 Grok Voice 背后的音频基础模型构建。根据 xAI 的说法，Grok Voice 已经每天支持数万通客户支持电话，转录数百万小时的视频旁白，并在实体产品中运行语音代理，包括特斯拉车辆中的 Grok 助手。公司表示，新模型在各种环境中录制的现场、嘈杂、多语言音频上进行训练，并通过后训练进行优化，称其结果是面向真实场景的最准确的转录模型之一。

准确性评估

xAI 表示，Grok Voice Transcribe 2.0 在公开的 Artificial Analysis 排行榜上 32 种流式模型中以准确率排名第一。除公开基准外，公司还在四个来源于生产流量的内部评估集上测量词错误率：来自客户支持电话的电话音频、与 Grok 的对话、口述凭证（如账户代码和电子邮件地址）以及简短的多语言语音指令。公司报告称，新模型在所有四个评估集上均优于 Grok Voice Transcribe 1.0，并在电话集（包含 8 kHz 英文客户支持通话）中领先于所有测试模型。xAI 发布的图表将该模型与 Gemini 3.5 Transcribe、MAI-Transcribe-2、ElevenLabs Scribe v2、Deepgram Nova-3 和 Whisper Large v3 在这些内部集上的表现进行比较。

根据 xAI 的说法，多语言转录是相较于 1.0 版本获得的最大准确率提升。公司称该模型能够转录数十种语言，自动检测语言，并在单次处理时跟随录音中的语言切换。短语（例如车内指令）提供的上下文很少，难以识别语言；在 xAI 的覆盖 19 种语言的短语语音助理语料集上，词错误率从 20.6% 降至 6.8%，公司报告称。

功能与 API 访问

通过 Speech-to-Text API，Grok Voice Transcribe 2.0 支持对录制文件和 URL 进行批量转录以及实时流式转录。文档中列出的功能包括带置信度分数的词级时间戳、免费提供的说话人分离、多达八个声道的多声道转录、每次请求最多 100 个领域关键词的偏置、以书写形式返回数字、日期、货币、电话号码和电子邮件地址的文本格式化、去除填充词以及智能回合检测，可识别语音代理说话者回合的结束。xAI 表示，现有的 Speech-to-Text API 集成可在无需代码更改的情况下获得准确率提升。

官方语音转文字文档列出了 12 种支持的音频格式，最大文件大小为 500 MB，采样率为 8000、16000、22050、24000、44100 和 48000 Hz。语言参数可在 25 种语言中启用书写形式的格式化，其中包括英语、西班牙语、法语、德语、印地语、日语和韩语。

批量请求使用 multipart 表单数据，必须提供上传的文件或供服务器下载并转录的 URL；响应返回完整的转录文本、以 BCP‑47 代码表示的检测语言、音频时长（秒）以及带有起止时间的词级片段。对于流式转录，客户端将原始音频以二进制帧发送至 WebSocket 端点 wss://api.x.ai/v1/stt，并在音频处理过程中接收 JSON 转录事件，可选的中间结果大约每 500 毫秒发出一次。

Loom 部署、定价与淘汰计划

xAI 表示，Atlassian 对 Grok Voice Transcribe 2.0 与其现有转录解决方案进行了评估，发现其更为准确，并已使用该模型转录 Loom（其屏幕录制产品）的每个视频。xAI 的公告 引用了 Atlassian 团队协作部门高级副总裁 Sanchan Saxena 对将 Loom 转录稿导入 Cursor 编码工具的工作流程的评论：“有了 Grok 为 Loom 的语音转文字提供动力，且 Cursor 将其转化为代码，我们实现了从上下文到代码的闭环：记录你的意图，工作即可完成。”

定价与 Grok Voice Transcribe 1.0 相同：批量转录每小时音频 0.10 美元，流式转录每小时 0.20 美元，且包含说话人分离、时间戳和关键词。xAI 表示，Grok Voice Transcribe 2.0 将很快成为 Speech-to-Text API 的默认模型，且 1.0 版本将在未来几周内被淘汰；在过渡期间希望继续使用旧模型的客户可以在请求中固定 grok-voice-transcribe-1.0。文档目前在未指定模型参数时将 grok-voice-transcribe-1.0 列为默认，同时在 REST 和 WebSocket 端点均可选择 grok-voice-transcribe-2.0。