SpaceXAI випустила API транскрипції Grok Voice Transcribe 2.0
SpaceXAI випустила Grok Voice Transcribe 2.0 — хостовану модель перетворення мовлення на текст для пакетної обробки та потокового аудіо в реальному часі. Компанія заявляє, що нова версія вдвічі точніша за версію 1.0 за тієї самої ціни. Модель орієнтована на складні записи: зашумлені телефонні лінії, одночасну мову кількох людей, місцеві акценти та продиктовані облікові дані. Сервіс доступний через API з ідентифікатором grok-voice-transcribe-2.0; відкриті ваги не оголошувалися.
За даними SpaceXAI, модель посіла перше місце серед 32 потокових моделей у публічному рейтингу Artificial Analysis. У внутрішніх наборах для телефонії, розмов, облікових даних і коротких фраз компанія зафіксувала покращення порівняно з версією 1.0, однак ці результати незалежно не відтворювалися. Для коротких фраз 19 мовами заявлений показник помилок слів знизився з 20,6% до 6,8%. Модель автоматично визначає мову й обробляє її зміну в одному записі.
API підтримує часові позначки, розподіл мовлення між спікерами, до восьми аудіоканалів і форматування чисел та контактних даних. Пакетна обробка коштує $0.10 за годину аудіо, потокова — $0.20. Atlassian Loom використовує модель для транскрипції відео.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.