SpaceXAI发布了Grok Voice Transcribe 2.0，这是一款通过托管API提供的语音转文本模型，在相同价格点下声称比1.0版本准确率高出两倍。该模型针对嘈杂电话线和竞争声音等困难音频条件设计，支持批量和实时流式处理模式。

  • 在Artificial Analysis排行榜上，使用AA-WER Streaming基准测试的32个流式模型中排名第一。
  • 在19种语言的短短语上，词错误率从20.6%降至6.8%，错误减少约67%。
  • 支持自动语言检测和录制过程中的数十种语言切换。
  • 包含说话人日志、词级时间戳、关键词偏置和填充词移除等功能，且不收取额外费用。
  • 批量转录价格为每小时$0.10，流式处理为每小时$0.20。

Atlassian Loom已采用该API来转录其工作流中的每个视频，称其准确性高于之前的解决方案。