推出 Grok Voice Transcribe 2.0（3分钟阅读）

# 推出 Grok Voice Transcribe 2.0 来源：https://x.ai/news/grok-voice-transcribe-2 今日我们正式发布 Grok Voice Transcribe 2.0，这是我们最新的语音转文本模型。在各类实际场景评估中，Grok Voice Transcribe 2.0 是目前最精准的转录模型之一，其准确度是 Grok Voice Transcribe 1.0 的两倍，且定价保持不变。 Grok Voice Transcribe 2.0 构建于 Grok Voice 背后的音频基础模型之上。Grok Voice 已每日为数万通客户服务电话提供支持，转录数百万小时的视频旁白，并在包括特斯拉车载语音助手在内的实体产品中运行语音代理。该模型基于独特数据集训练，涵盖多元环境下录制的实时、多语言、多噪声音频，并通过后训练持续优化。 最终成果是在真实世界环境中实现高精度语音转录的模型之一。 ## 准确度 (https://x.ai/news/grok-voice-transcribe-2#accuracy) 多数转录模型在清晰、单说话人音频上表现良好，而现实世界的音频更具挑战：不稳定的电话线路、重叠人声、地方口音，以及朗读出的电话号码或电子邮件地址。Grok Voice Transcribe 2.0 专为应对各类条件与环境下最具挑战性的音频而构建。 在公开的 Artificial Analysis 排行榜上，Grok Voice Transcribe 2.0 在32款流式模型中准确度排名第一。 ### 内部评估 (https://x.ai/news/grok-voice-transcribe-2#internal-evaluations) 除公开基准测试外，我们还在四个内部数据集（源自生产流量）上测量了词错率：客户服务电话的电信音频、与 Grok 的对话、包含账户代码和电子邮件地址等语音凭证，以及短时多语言语音指令。Grok Voice Transcribe 2.0 在所有四个数据集上均较 Grok Voice Transcribe 1.0 有所提升，并在电信音频领域领先于所有已测试模型。 ## 多语言支持 (https://x.ai/news/grok-voice-transcribe-2#multilingual) Grok Voice Transcribe 2.0 可转录数十种语言，支持自动语言检测，并能在单次处理中适应录制过程中的语言切换。多语言准确度是其相比 Grok Voice Transcribe 1.0 最显著的改进。 对于车内指令等短时语音片段，模型通常缺乏足够的上下文来识别语言。在我们的短语测试集中，词错率从20.6%降至6.8%。 ## 功能特性 (https://x.ai/news/grok-voice-transcribe-2#features) Grok Voice Transcribe 2.0 支持高级配置与控制。现有语音转文本 API 集成无需修改代码即可获得准确度提升： - **批处理与流式处理**：转录录制文件与网址，或实时转录音频流。 - **词级时间戳**：每个词均具备精确的起止时间与置信度评分。 - **说话人分离**：在转录中标注每位说话人，且不额外收费。 - **多通道转录**：独立转录最多8个音频通道。 - **关键词优化**：每次请求可传递最多100个领域术语（如产品名称或医学词汇）。 - **文本格式化**：数字、日期、货币、电话号码及电子邮件地址将以书面格式呈现。 - **填充词过滤**：从转录文本中省略“嗯”“呃”等填充词。 - **智能轮次检测**：为语音代理检测说话人发言轮次的结束。 ## Grok Voice 赋能 Atlassian Loom (https://x.ai/news/grok-voice-transcribe-2#grok-voice-powers-atlassian-loom) Atlassian Loom (https://www.loom.com/) 被广泛用于录制与分享屏幕录像。Atlassian 发现 Grok Voice Transcribe 2.0 在转录 Loom 视频时比其现有解决方案更准确。精准的转录开启了新的 AI 工作流：在 Loom 录制行动计划，将转录文本导入 Cursor，即可直接生成代码更新。 > “我们始终相信，推进工作的最佳方式是捕获一次上下文，并让其流动于各处。通过 Grok 赋能 Loom 的语音转文本，再由 Cursor 将其转化为代码，我们实现了从上下文到代码的闭环：录制你的意图，工作即告完成。这预示着 AI 辅助开发的发展方向。” Sanchan Saxena, Atlassian 团队协作产品线高级副总裁 ## 定价 (https://x.ai/news/grok-voice-transcribe-2#price) Grok Voice Transcribe 2.0 的定价与 Grok Voice Transcribe 1.0 完全相同。批处理转录仍为每小时音频0.10美元，流式转录为每小时0.20美元，且已包含说话人分离、时间戳与关键词优化功能。 Grok Voice Transcribe 2.0 将很快成为语音转文本 API 的默认模型，而 Grok Voice Transcribe 1.0 将在未来数周内逐步停止支持。过渡期间如需继续使用旧版，请指定 `grok-voice-transcribe-1.0`。 ## 开始使用 Grok Voice Transcribe 在线体验 (https://console.x.ai/team/default/voice/speech-to-text?campaign=voice-transcribe-2-blog&utm_source=website&utm_medium=referral&utm_campaign=voice-transcribe-2-blog) 查看文档 (https://docs.x.ai/developers/model-capabilities/audio/speech-to-text?campaign=voice-transcribe-2-blog)