Компания SpaceXAI представила модель Grok Voice Transcribe 2.0 для распознавания речи. По данным разработчика, новая версия допускает вдвое меньше ошибок, чем предыдущая, при сохранении прежней стоимости. Модель адаптирована для работы с помехами, перекрывающейся речью и региональными акцентами.
Технология базируется на аудиомодели Grok Voice, которая ежедневно обрабатывает десятки тысяч звонков и используется в голосовых ассистентах автомобилей Tesla. В рейтинге Artificial Analysis модель заняла первое место среди 32 потоковых решений по метрике AA-WER Streaming.
Ключевым обновлением стало многоязычное распознавание с автоматическим переключением между десятками языков. На коротких фразах показатель ошибок WER снизился с 20,6 до 6,8%. API поддерживает форматирование чисел, дат и денежных сумм для 25 языков, а также разделение собеседников без доплаты.
Модель доступна через Speech to Text API в пакетном и потоковом режимах. Стоимость пакетной расшифровки составляет $0,10 за час аудио, потоковой — $0,20 за час. API поддерживает до восьми аудиоканалов, возможность добавления до 100 ключевых терминов и работу с аудиокодеком Opus.
