Grok Voice Transcribe 2.0 正式发布。作为最新推出的语音转文本模型，其在各项真实世界评估中的准确率较 1.0 版本提升两倍，且维持原有定价策略，成为目前市面上最准确的转录模型之一。
该模型构建于支撑 Grok Voice 的音频基础模型之上。目前，Grok Voice 每日处理数万通客户支持电话，转录数百万小时视频旁白，并驱动包括特斯拉车载 Grok 助手在内的实体产品语音代理。通过基于实时、嘈杂的多语言音频数据集训练及后训练优化，Grok Voice Transcribe 2.0 专为应对线路不稳定、多人重叠说话、地方口音及大声念出的凭证信息等复杂现实场景而设计。
性能表现：登顶公开排行榜
在公共 Artificial Analysis 排行榜上，Grok Voice Transcribe 2.0 在 32 个流式传输模型中准确率位列第一。除公开基准测试外，内部针对四个生产环境数据集的字错误率（WER）评估显示，2.0 版本在所有场景中均优于 1.0 版本，尤其在电话音频处理上领先于其他被测模型。
关键场景优化
- 电话音频：针对8kHz客户支持通话进行优化。
- 对话场景：提升与 AI 助手自然对话的转录精度。
- 凭证识别：增强对电话号码、电子邮件及地址等口头凭证的捕捉能力。
- 短语识别：支持19种语言的语音助手指令，短短语数据集字错误率从 20.6% 降至 6.8%。
此外，模型支持数十种语言的自动检测及录制过程中的语言切换，多语言准确率的显著提升是其相较于前代版本的最大改进。
功能特性与集成
Grok Voice Transcribe 2.0 提供高级配置选项，现有 API 集成无需修改代码即可享受性能升级：
- 处理模式：支持批量文件/URL转录及实时音频流处理。
- 精细控制：提供词级时间戳、置信度分数及免费说话人分离标签。
- 多通道支持：可独立转录多达 8 个通道的音频。
- 关键词偏置：每次请求可传入多达 100 个专业术语（如医疗或产品名称）以优化识别。
- 文本格式化：自动将数字、日期、货币、联系方式等转换为书面格式，并支持移除填充词。
- 智能轮次检测：精准识别语音代理中说话人的发言结束时刻。
在实际应用方面，Atlassian Loom 已全面采用 Grok Voice Transcribe 2.0 替代原有方案。高准确度转录使得用户可将 Loom 录制的行动计划直接输入代码编辑器 Cursor，从而自动生成代码更新，开启了新的 AI 工作流。
定价与服务过渡
Grok Voice Transcribe 2.0 定价与 1.0 版本保持一致：批量转录价格为每小时音频 0.10 美元，流式传输为每小时 0.20 美元，均包含说话人分离、时间戳和关键词功能。
该模型即将成为语音转文本 API 的默认选项，Grok Voice Transcribe 1.0 预计在未来几周内停止服务。如需在过渡期继续使用旧版本，开发者需固定调用 grok-voice-transcribe-1.0 接口。