SpaceXAI выпустила API транскрибации Grok Voice Transcribe 2.0
SpaceXAI выпустила Grok Voice Transcribe 2.0 — размещаемую в облаке модель преобразования речи в текст для пакетной обработки и потокового аудио в реальном времени. Компания заявляет, что новая версия вдвое точнее версии 1.0 при той же стоимости. Модель рассчитана на сложные записи: шумные телефонные линии, одновременную речь, местные акценты и продиктованные учетные данные. Сервис доступен через API под идентификатором grok-voice-transcribe-2.0; открытые веса не представлены.
По данным SpaceXAI, модель заняла первое место среди 32 потоковых моделей в публичном рейтинге Artificial Analysis. Во внутренних наборах для телефонии, разговорной речи, учетных данных и коротких фраз компания зафиксировала улучшение относительно версии 1.0, однако эти результаты независимо не подтверждены. Для коротких фраз на 19 языках заявленный показатель ошибок слов снизился с 20,6% до 6,8%. Модель автоматически определяет язык и обрабатывает его смену в ходе одной записи.
API поддерживает временные отметки, разделение речи по говорящим, до восьми аудиоканалов и форматирование чисел и контактных данных. Пакетная обработка стоит $0.10 за час аудио, потоковая — $0.20. Atlassian Loom применяет модель для транскрибации видео.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.