Компания SpaceXAI представила API для распознавания речи Grok Voice Transcribe 2.0 с идентификатором модели grok-voice-transcribe-2.0. Открытые веса не публикуются, поэтому самостоятельный хостинг недоступен. Технология базируется на аудиомодели, которая ежедневно обрабатывает десятки тысяч звонков в службу поддержки и обеспечивает работу голосового помощника Grok в автомобилях Tesla.
Обновление улучшило точность распознавания мультиязычной речи и автоматическое определение языка, включая переключение между языками в процессе записи. Для коротких команд частота ошибок снизилась с 20,6% до 6,8%. Модель поддерживает форматирование чисел и валют на 25 языках и занимает первое место среди 32 потоковых моделей в рейтинге Artificial Analysis.
Стоимость использования API сохранена на уровне первой версии. Пакетная транскрипция стоит $0,10 за час аудио, потоковая — $0,20 за час. В пересчете на 1000 минут это составляет около $1,67 и $3,33 соответственно. Сервис поддерживает файлы до 500 МБ в 12 форматах, включая функции диаризации, расстановки временных меток и выделения ключевых терминов.
Платформа Atlassian Loom начала использовать Grok Voice Transcribe 2.0 для транскрибирования всех видеозаписей. Новый процесс позволяет пользователям записывать планы действий в Loom, после чего текст передается в среду разработки Cursor для автоматического обновления кода. По заявлению представителей Atlassian, это решение позволяет сократить путь от контекста к программному коду.
