Новейшая модель speech-to-text от SpaceXAI занимает первое место среди 32 потоковых моделей на Artificial Analysis при той же цене, что и версия 1.0.
Представляем Grok Voice Transcribe 2.0 — новейшую модель перевода речи в текст от xAI, которая, по данным компании, в два раза точнее Grok Voice Transcribe 1.0 при той же цене. Релиз от 18 сентября 2026 года построен на аудио-фундаментальной модели, стоящей за Grok Voice: она уже обслуживает десятки тысяч звонков в поддержку ежедневно, расшифровывает миллионы часов видеокомментариев и запускает голосовых агентов в физических продуктах, включая ассистента Grok в автомобилях Tesla.
Большинство моделей транскрипции хорошо справляются с чистым аудио одного говорящего. Реальный звук сложнее: нестабильные телефонные линии, пересекающиеся голоса, местные акценты, а также номера телефонов и адреса почты, продиктованные вслух. В публичном рейтинге Artificial Analysis Grok Voice Transcribe 2.0 занимает первое место по точности среди 32 потоковых моделей. Внутренние тесты на производственном трафике — телефонные звонки в поддержку, разговоры с Grok, произнесённые учётные данные и короткие многоязычные голосовые команды — показывают прирост относительно версии 1.0 на всех четырёх наборах. На телефонии, утверждает xAI, новая модель опережает все проверенные системы. Крупнейший скачок — многоязычная точность: модель транскрибирует десятки языков, определяет язык автоматически и в одном проходе отслеживает смену языка в записи. На наборе коротких фраз с малым контекстом частота ошибок по словам падает с 20,6% до 6,8%.
Существующие интеграции Speech-to-Text API получают прирост точности без изменений в коде. Среди функций — пакетная и потоковая транскрипция, пословные временные метки, диаризация говорящих без доплаты, до восьми каналов, подсказка ключевых терминов для отраслевой лексики, письменная форма чисел и email, удаление слов-паразитов и умное определение конца реплики для голосовых агентов. Atlassian сочла модель точнее прежнего решения для видео Loom, что открывает сценарии, когда запись уходит в Cursor и код обновляется напрямую. Цена не меняется: пакетная транскрипция стоит $0,10 за час аудио, потоковая — $0,20 в час, включая диаризацию, метки времени и ключевые термины. Grok Voice Transcribe 2.0 скоро станет моделью по умолчанию в Speech-to-Text API, а версию 1.0 выведут из эксплуатации в ближайшие недели. Командам, которым на переходный период нужна старая модель, можно закрепить grok-voice-transcribe-1.0. Полный анонс — в новости xAI.
Отказ от ответственности
Это статья с кратким обзором от ИИ на основе авторитетных источников. Если вы хотите удалить ваш контент, пожалуйста, .
