SpaceXAI 发布 Grok Voice Transcribe 2.0：一款语音转文本 API，每小时收费 0.10 美元
内容提要
SpaceXAI 发布 Grok Voice Transcribe 2.0 语音转文字模型，价格不变、准确率翻倍，专攻嘈杂电话、多人对话、口音等难处理音频。支持批量与实时流式，具备时间戳、说话人分离、多语言切换等功能。批量价格为每音频小时 0.10 美元，流式为 0.20 美元。Atlassian Loom 已采用该模型转写视频。
延伸解读
基准测试的解读与局限
SpaceXAI 宣称 Grok Voice Transcribe 2.0 在 Artificial Analysis 的 AA-WER Streaming 榜单上位列 32 个流式模型之首，该基准使用约 8 小时音频，权重为 AA-AgentTalk 50%、VoxPopuli 25%、Earnings22 25%。但内部四个数据集（电话、对话、凭证、短句）的 WER 结果均为厂商自行报告，未经独立复现。读者需注意，这些数据可能无法完全反映实际应用中的表现，尤其是面对未覆盖的音频类型或口音时。
定价与成本效益
Grok Voice Transcribe 2.0 的定价与 1.0 版本相同：批量转写每音频小时 0.10 美元，流式为 0.20 美元，约合每 1000 分钟 1.67 美元和 3.33 美元。说话人分离、时间戳和关键术语偏置均不额外收费。对于需要处理大量音频的企业，这一价格可能具有竞争力，但需考虑实际使用中流式与批量的比例，以及是否会产生其他 API 调用费用。
功能特性与适用场景
该模型支持批量与实时流式转写，提供词级时间戳、说话人分离、多通道转写（最多 8 通道）、关键术语偏置（每次最多 100 个术语）和文本格式化。填充词默认移除，并具备智能轮次检测。这些功能使其适合客服电话分析、会议记录、视频转写等场景。但需注意，模型仅以托管 API 形式提供，未开放权重，因此无法自托管，且需显式设置 model=grok-voice-transcribe-2.0。
实际应用案例：Atlassian Loom
Atlassian Loom 已采用 Grok Voice Transcribe 2.0 转写所有视频，并认为其比现有方案更准确。其工作流为“录制、转写、然后编码”：用户录制行动方案，转写文本送入 Cursor 完成代码更新。这一案例展示了语音转文本在开发协作中的潜在价值，但具体效果可能依赖于音频质量和领域术语的覆盖程度。
Q&A
Grok Voice Transcribe 2.0 是什么？它主要解决什么场景的语音转写问题？
Grok Voice Transcribe 2.0 是 SpaceXAI 发布的最新语音转文字（STT）模型，构建于 Grok Voice 背后的音频基础模型之上。它专攻“难啃”的音频，包括嘈杂的电话线路、多人同时说话、地方口音以及口头报出的凭证信息，通过 Speech to Text API 同时支持批量与实时流式两种模式。
Grok Voice Transcribe 2.0 的定价是多少？批量与流式价格有何区别？
定价与 1.0 版本完全一致：批量转写为每音频小时 0.10 美元，流式为每小时 0.20 美元。说话人分离、时间戳和关键术语均包含在内，换算下来约为每 1000 分钟 1.67 美元和 3.33 美元。
Grok Voice Transcribe 2.0 在准确率方面有哪些提升？有具体数据吗？
SpaceXAI 称其在价格不变的前提下，准确率是 1.0 的两倍。在公开的 Artificial Analysis 榜单上，该模型在 32 个流式模型中位列准确率第一（AA-WER Streaming 基准）。在 19 种语言的短句数据集上，WER 从 20.6% 降至 6.8%，词错误减少约 67%。这些内部结果由厂商自行报告，未经独立复现。
Grok Voice Transcribe 2.0 支持哪些开发者功能？
它在一个 API 中提供多项功能：批量与流式转写（文件/URL 或通过 WebSocket 在 wss://api.x.ai/v1/stt 流式传输）；词级时间戳（含开始、结束时间与置信度分数）；说话人分离（不额外收费）；多通道转写（最多 8 个通道）；关键术语偏置（每次请求最多 100 个术语，每个最长 50 字符）；文本格式化（数字、日期、货币、电话号码和邮箱以书面形式返回）；填充词移除（默认移除“um”和“uh”）；智能轮次检测。批量端点支持最大 500 MB 文件、涵盖 12 种音频格式，流式模式还支持 Opus。
Grok Voice Transcribe 2.0 在多语言和语言切换方面表现如何？
该模型可转写数十种语言，并自动检测语种，还能在单次处理中跟随录音中途的语言切换。SpaceXAI 团队称多语言准确率是相比 1.0 提升最大的一项。文档列出了 25 种语言支持数字、货币和单位的书面形式格式化。
Grok Voice Transcribe 2.0 可以自托管部署吗？如何调用？
不可以自托管。它仅以托管 API 的形式提供，SpaceXAI 尚未公布开放权重。模型 ID 为 grok-voice-transcribe-2.0，调用时需显式设置 model=grok-voice-transcribe-2.0。
有哪些实际应用案例使用了 Grok Voice Transcribe 2.0？
Atlassian Loom 现已使用 Grok Voice Transcribe 2.0 转写每一个视频，并发现它比现有方案更准确。其工作流是“录制、转写、然后编码”：用户在 Loom 中录下行动方案，转写文本被送入 Cursor，由 Cursor 完成代码更新。Atlassian 团队协作产品集高级副总裁 Sanchan Saxena 将其描述为“从上下文到代码的闭环”。
