SpaceXAI представи API за транскрипция Grok Voice Transcribe 2.0
SpaceXAI представи Grok Voice Transcribe 2.0 — хостван модел за преобразуване на реч в текст, който работи с пакетни файлове и аудио в реално време. Компанията твърди, че моделът е два пъти по-точен от версия 1.0 при непроменени цени. Той е предназначен за трудни записи, включително шумни телефонни разговори, едновременно говорещи хора, местни акценти и продиктувани данни за достъп. Услугата е достъпна чрез API с идентификатор grok-voice-transcribe-2.0, без обявени отворени тегла.
По данни на SpaceXAI моделът заема първо място сред 32 стрийминг модела в публичната класация на Artificial Analysis. В четири вътрешни набора — телефония, разговори, идентификационни данни и кратки фрази — компанията отчита подобрение спрямо версия 1.0, но резултатите не са независимо възпроизведени. При кратки фрази на 19 езика докладваната грешка при думите спада от 20,6% на 6,8%. Моделът разпознава езика автоматично и следва смени на езика в един запис.
API включва времеви маркери, разделяне по говорители, обработка на до осем аудиоканала и форматиране на числа и контакти. Пакетната транскрипция струва $0.10 на аудио час, а стриймингът — $0.20. Atlassian Loom използва модела за транскрипция на видеоклипове.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.