Iepazīstinām ar Grok Voice Transcribe 2.0

Iepazīstinām ar Grok Voice Transcribe 2.0 — jaunāko xAI runas-teksta modeli, kas pēc uzņēmuma datiem ir divreiz precīzāks par Grok Voice Transcribe 1.0 par to pašu cenu. 2026. gada 18. septembra laidienu veido audio pamatmodelis, kas stāv aiz Grok Voice: tas jau apkalpo desmitiem tūkstošu klientu atbalsta zvanu dienā, transkribē miljoniem stundu video komentāru un darbina balss aģentus fiziskos produktos, tostarp Grok palīgu Tesla automašīnās.

Lielākā daļa transkripcijas modeļu labi tiek galā ar tīru, viena runātāja audio. Reālā pasaule ir grūtāka: nestabilas telefonlīnijas, konkurējošas balsis, vietējie akcenti, kā arī skaļi nolasīti tālruņa numuri un e-pasti. Publiskajā Artificial Analysis rangā Grok Voice Transcribe 2.0 ieņem pirmo vietu pēc precizitātes starp 32 straumēšanas modeļiem. Iekšējos testos ar produkcijas datplūsmu — telefonijas atbalsta zvani, sarunas ar Grok, izrunāti akreditācijas dati un īsas daudzvalodu balss komandas — modelis pārspēj 1.0 versiju visās četrās kopās. Telefonijā xAI apgalvo, ka jaunais modelis apsteidz visus pārbaudītos sistēmas. Lielākais solis ir daudzvalodu precizitāte: modelis transkribē desmitiem valodu, valodu atpazīst automātiski un vienā piegājienā seko valodas maiņai ieraksta laikā. Īso frāžu kopā, kur konteksta valodas noteikšanai ir maz, vārdu kļūdu līmenis krīt no 20,6% līdz 6,8%.

Esošās Speech-to-Text API integrācijas precizitātes pieaugumu saņem bez koda izmaiņām. Funkcijas ietver pakešu un straumēšanas transkripciju, vārdu laika zīmogus, runātāju diarizāciju bez papildu maksas, līdz astoņiem kanāliem, atslēgvārdu novirzīšanu nozares vārdnīcai, skaitļu un e-pastu rakstisko formu, aizpildītāju izņemšanu un gudru runas kārtas noteikšanu balss aģentiem. Atlassian atzina modeli par precīzāku par iepriekšējo risinājumu Loom video, kas ļauj ierakstu nosūtīt uz Cursor koda atjauninājumiem. Cena nemainās: pakešu transkripcija ir 0,10 USD par audio stundu, straumēšana — 0,20 USD stundā, iekļaujot diarizāciju, laika zīmogus un atslēgvārdus. Grok Voice Transcribe 2.0 drīzumā kļūs par noklusējumu Speech-to-Text API, un 1.0 versiju tuvākajās nedēļās pārtrauks. Komandas, kam pārejas laikā vajag veco modeli, var fiksēt grok-voice-transcribe-1.0. Pilns paziņojums ir xAI ziņu lapā.