• Блог
  • 5 мин. чтения

Grok научился расшифровывать речь вдвое точнее и за те же деньги


SpaceXAI выпустила Grok Voice Transcribe 2.0, модель для перевода речи в текст. По внутренним тестам компании она вдвое точнее первой версии на телефонных звонках, диктовке номеров и коротких голосовых командах, а стоит столько же. Модель уже доступна в API и понимает русский язык.

Grok научился расшифровывать речь вдвое точнее и за те же деньги

Grok Voice Transcribe — сервис распознавания речи от SpaceXAI, компании Илона Маска, которая выпускает Grok. Он превращает аудио и видео в текст и работает через API, то есть встраивается в чужие продукты, например в колл-центры, видеосервисы и голосовых ассистентов. Вторая версия вышла 18 сентября и сразу доступна разработчикам.

Звонки, акценты и продиктованные адреса

Grok Voice Transcribe 2.0 собрана на той же аудиомодели, что и голосовой режим Grok. По данным SpaceXAI, эта основа уже обслуживает десятки тысяч звонков в поддержку в день, расшифровала миллионы часов закадрового текста в видео и работает в ассистенте Grok в автомобилях Tesla.

Дообучали модель на «грязном» живом звуке. Это телефонная линия с плохим качеством, фоновый шум, акценты, люди, которые говорят одновременно, и самое неудобное для любой расшифровки — продиктованные номера телефонов, адреса почты и короткие команды вроде «включи музыку». Именно на таких сценариях SpaceXAI и замеряла прирост.

Вдвое точнее, но по своим тестам

Компания сравнила версии на четырёх наборах записей из реального трафика. В них вошли звонки в поддержку, разговоры с Grok, диктовка учётных данных и короткие фразы для голосового ассистента. Вторая версия выиграла у первой на всех четырёх, а на телефонии, по словам SpaceXAI, обошла все модели, которые компания тестировала.

Точная цифра в анонсе одна. На коротких фразах на 19 языках доля ошибочно распознанных слов (WER, главный показатель качества расшифровки) упала с 20,6% до 6,8%. Остальные результаты показаны только на графиках, и все четыре набора собраны внутри компании.

Для внешней проверки SpaceXAI ссылается на рейтинг Artificial Analysis, где Grok Voice Transcribe 2.0 заняла первое место по точности среди 32 моделей потоковой расшифровки. В соседней таблице того же рейтинга, где сравнивают расшифровку готовых файлов, картина скромнее. Там у модели 2,3% ошибок и пятое место из 61, впереди модели Alibaba, Microsoft и ElevenLabs с результатом от 1,7% до 2,2%. Если верить заявлению компании, в потоковой расшифровке Grok лидирует, а в обработке записей держится в сильной группе.

Русский в списке из 25 языков

Самый большой прирост SpaceXAI записывает на счёт многоязычности. Grok Voice Transcribe 2.0 сама определяет язык записи и замечает, когда собеседник переходит на другой прямо посреди разговора. Точного числа языков в анонсе нет, но в документации перечислены 25, и русский среди них есть.

Функции Grok Voice Transcribe без доплаты

  • Два режима. Расшифровка готовых файлов и ссылок либо потоковая, в реальном времени.
  • Разметка по спикерам. Модель помечает, какую реплику произнёс какой человек, это входит в базовую цену.
  • Время каждого слова. У каждого слова есть отметки начала и конца, удобно для субтитров и поиска по записи.
  • До восьми каналов. Каждая дорожка расшифровывается отдельно, например оператор и клиент в записи звонка.
  • Словарь терминов. До 100 слов на запрос, которые модель должна узнавать точно, от названий продуктов до медицинской лексики.
  • Чистый текст. Числа, даты, суммы, телефоны и адреса почты приходят в письменном виде, слова-паразиты вроде «эм» убираются.
  • Конец реплики. Для голосовых агентов модель определяет, договорил ли человек, чтобы ассистент не перебивал.

В анонсе обещаны и оценки уверенности для каждого слова, но в примере ответа из документации такого поля пока нет. Тем, кому оно важно, стоит проверить на своих записях.

Loom передаёт расшифровку прямо в Cursor

Первым крупным клиентом SpaceXAI называет Atlassian. Компания перевела на Grok Voice Transcribe 2.0 расшифровку всех видео в Loom, сервисе коротких записей экрана, потому что новая модель оказалась точнее прежнего решения. Сценарий выглядит так. Разработчик надиктовывает в Loom план изменений, расшифровка уходит в редактор кода Cursor , и тот сам правит программу.

«Grok отвечает за распознавание речи в Loom, Cursor превращает его в код, и мы замыкаем цикл от контекста до кода. Записываешь, что имеешь в виду, и работа сделана»,

– говорит Санчан Саксена, старший вице-президент Atlassian.

Час записи за десять центов

Цены остались прежними. Расшифровка готовых файлов стоит 0,10 доллара за час аудио, потоковая 0,20 доллара, разметка спикеров, временные метки и словарь терминов включены. В пересчёте Artificial Analysis это 1,67 доллара за тысячу минут записи.

Модель уже работает в Speech-to-Text API под именем grok-voice-transcribe-2.0. По умолчанию API пока отдаёт первую версию, вторая станет основной «в ближайшее время», а первую отключат в течение нескольких недель. Точных дат SpaceXAI не называет. Кто уже подключён, получит прирост точности без правок в коде, когда смена произойдёт.

Как попробовать Grok Voice Transcribe 2.0

Живую демонстрацию и ключи дают в консоли разработчика console.x.ai. Для проверки второй версии до смены умолчания модель нужно указать в запросе явно. API принимает файлы до 500 МБ в 12 форматах, включая MP3, WAV, OGG, MP4 и M4A. Для оплаты из России, как и с другими зарубежными API, понадобится иностранная карта. Готового приложения для обычного пользователя у сервиса нет, это инструмент для тех, кто встраивает расшифровку в свой продукт или автоматизацию.

Кому Grok Voice Transcribe 2.0 пригодится

Для владельцев сайтов и авторов практический смысл в цене. Расшифровка часового интервью или вебинара обходится в десять центов, и это делает автоматический перевод видео в статьи, субтитры и конспекты почти бесплатным. Прежде чем переводить на Grok поток русскоязычных записей, стоит прогнать пару своих файлов. Громкие цифры SpaceXAI получены в основном на английском, а по русскому отдельных результатов нет.

Сильна там, где звонят и диктуют

В обработке записей Grok Voice Transcribe 2.0 уступает лидерам, зато хорошо закрывает свою нишу. Модель сильна там, где звук плохой, а ошибка в одной цифре телефона обходится дороже всего остального текста. В паре с низкой ценой это серьёзная заявка на колл-центры и голосовых агентов. Проверкой станут ближайшие недели, когда вторая версия станет стандартом для всех клиентов API и её начнут сравнивать на чужих записях.

Источник:
SpaceXAI — Introducing Grok Voice Transcribe 2.0



Источник

Межтекстовые Отзывы
Посмотреть все комментарии
guest

Яндекс Люмен: что за подписка, сколько стоит, как подключить/отключить

«Яндекс Люмен» появился летом 2026 года. Сначала его запустили в Яндекс Музыке, затем добавили функции в Яндекс Книги....

Промты для фото и открыток ко Дню России, +нейросети для генерации

Ищете промты для открыток ко Дню России? Нейросети могут сделать семейное поздравление по фото, портрет в праздничном образе,...

YouTube позволит генерировать Shorts с помощью Veo 3

На мероприятии «Made on YouTube» 16 сентября компания представила большое обновление для Shorts и YouTube Studio. В сервис...

Kling AI выпустила Skill для генерации видео через ИИ-агентов

Kling AI запустила Kling Skills Suite — инструмент, который подключается к сторонним AI-агентам и даёт им доступ к...

ElevenLabs теперь можно подключить к Claude через MCP

ElevenLabs представила MCP-сервер для Claude. Он позволяет управлять агентами ElevenLabs из чата в Claude. Коннектор уже появился в...

Sora 2 увеличила длину видео до 25 секунд и позволила прописывать сценарий по кадрам

Компания OpenAI обновила видеогенератор «Sora 2»: базовые пользователи теперь могут создавать ролики до 15 секунд, а подписчики «ChatGPT...

GLM 5.3: мощнее в коде и кибербезопасности

14 августа 2026 года уже упоминавшаяся нами в предыдущих обзорах компания Zhipu AI представила следующую версию своей флагманской...

Подписка на Suno AI: тарифы, как купить из России и сколько стоит трек

Если вы открыли эту статью, то, скорее всего, уже знакомы с Suno AI: знаете, как работает нейросеть, и...

DeepSeek выпустила V4.1 Flash — открытую ИИ-модель с контекстом до 1 млн токенов

DeepSeek выпустила DeepSeek V4.1 Flash и открыла веса модели на Hugging Face. Она принимает текст и изображения, отвечает...

OpenAI уберёт GPT-5.5 из ChatGPT и Codex 14 октября

OpenAI предупредила о завершении поддержки GPT-5.5 в ChatGPT, ChatGPT Work и Codex. Модель уберут из этих продуктов 14...

Alibaba представила Qwen 3.8‑Max на 2,4 трлн параметров — открытые веса выйдут на следующей неделе

Alibaba представила Qwen3.8‑Max — новую флагманскую ИИ-модель с 2,4 трлн параметров. Сейчас она доступна в Qwen Studio и...

OpenAI выпустила GPT-6 Sol и GPT-6 Luna — новые модели уже доступны в ChatGPT и Codex

OpenAI начала развёртывание GPT-6 Sol и GPT-6 Luna. Новые модели уже появляются в ChatGPT Work и Codex, а...

DeepSeek представила DeepSeek-OCR — новую модель для сжатия визуального контекста в LLM

Компания DeepSeek показала DeepSeek-OCR — OCR-модель, созданную специально для больших языковых моделей. Вместо обычного распознавания текста она сжимает...

Сверхработоспособный Qwen 3.7 Max. Китайский ИИ, который трудится 35 часов без остановки

Среди всего того, что Alibaba представила на своем облачном саммите в мае 2026 года, флагманская языковая модель Qwen...

Tencent выпустила Hy Image 3.5 Preview для генерации и редактирования изображений

Tencent открыла доступ к Hy Image 3.5 Preview — модели, которая создаёт изображения по тексту и референсам, а...

Маркетолог PRO от MTC ADS: отзывы и возможности сервиса для запуска бизнес-рекламы в Telegram

Результативность рекламной кампании зависит от десятков, даже сотен факторов. Один из основных критериев — определение целевой аудитории и...

Claude Fable 5. Модель ИИ, которой можно сказать «разберись» и уйти пить кофе

Есть такой тип людей, которым нельзя давать простые задачи. Они все равно решат их как-то по-своему, с избыточным...

OpenAI покажет человекоподобного робота в 2027 году

OpenAI планирует создать собственного человекоподобного робота. Об этом глава компании Сэм Альтман рассказал в начале сентября. Ранее Альтман...

20 промтов для осенней ИИ-фотосессии в нейросетях

Осенняя фотосессия не обязательно требует поездки в парк, холодной погоды и пары часов на съёмку. Если у вас...

Как пользоваться QwenWork: регистрация, возможности, бесплатные кредиты и тарифы

QwenWork — это новый ИИ-агент от Alibaba, который доступен на сайте и через отдельное приложение. По принципу работы...