xAI telah merilis Grok Voice Transcribe 2.0, sebuah model suara-ke-teks yang dua kali lebih akurat dibandingkan versi 1.0 sambil mempertahankan harga yang sama. Dibangun di atas model dasar audio di balik Grok Voice, model ini memanfaatkan dataset unik audio multibahasa langsung dan bising untuk menangani kondisi dunia nyata yang menantang seperti jalur telepon yang tidak stabil dan suara yang bersaing.

  • Peringkat pertama dalam akurasi di antara 32 model streaming pada papan peringkat Artificial Analysis publik.
  • Meningkatkan word error rate pada frasa pendek dari 20,6% menjadi 6,8%, menandai peningkatan multibahasa terbesar.
  • Memimpin setiap model yang diuji pada audio telephony dan meningkatkan kinerja di empat dataset produksi internal.
  • Secara otomatis mendeteksi bahasa dan menangani peralihan selama rekaman dalam satu kali proses untuk puluhan bahasa.

Pembaruan ini akan segera menjadi default di Speech-to-Text API, dengan versi 1.0 dijadwalkan untuk di-deprecate dalam beberapa minggu mendatang.