SpaceXAI выпустила Grok Voice Transcribe 2.0: вдвое точнее расшифровка речи за те же деньги

18 сентября SpaceXAI выпустила Grok Voice Transcribe 2.0 — модель, которая превращает речь в текст. По данным компании, она вдвое точнее предыдущей версии, а цена не изменилась. В публичном рейтинге Artificial Analysis модель заняла первое место по точности среди 32 моделей, которые расшифровывают речь в реальном времени.

Модель построена на той же аудиомодели, что и голосовой режим Grok. По словам SpaceXAI, Grok Voice уже обслуживает десятки тысяч звонков в службы поддержки в день, расшифровывает миллионы часов закадрового текста в видео и работает голосовым помощником Grok в автомобилях Tesla. Обучали её на живых записях с шумом и на разных языках, сделанных в самых разных условиях. Компания делает упор именно на «грязный» звук: плохую телефонную связь, людей, говорящих одновременно, местные акценты, продиктованные вслух номера телефонов и адреса почты.

Кроме публичных тестов, SpaceXAI проверяет модель на четырёх внутренних наборах записей из реального использования: телефонные звонки в поддержку, разговоры с Grok, продиктованные коды и адреса, короткие голосовые команды на 19 языках. Новая версия лучше первой во всех четырёх, а на телефонном звуке, по данным компании, обходит все модели, которые она сравнивала. Сильнее всего выросло качество на разных языках: модель сама определяет язык и замечает, если говорящий переходит на другой посреди записи. На коротких фразах вроде команд в машине, где зацепиться почти не за что, WER упал с 20,6% до 6,8%.

Из возможностей: расшифровка готовых файлов и потокового аудио, время начала и конца каждого слова с оценкой уверенности, диаризация без доплаты, до восьми отдельных каналов, до 100 специальных терминов на запрос (названия продуктов, медицинская лексика), запись чисел, дат и адресов в привычном письменном виде, удаление слов-паразитов вроде «эм» и определение момента, когда собеседник договорил, — это нужно голосовым агентам. Тем, кто уже подключён к API, переписывать код не придётся.

Цены прежние: 0,10 доллара за час записи при обработке файлов и 0,20 доллара за час в потоковом режиме, диаризация, временные метки и термины входят в стоимость. Первым известным клиентом назван Atlassian Loom — сервис для записи экрана с комментариями. По словам SpaceXAI, в Atlassian сочли новую модель точнее прежнего решения. Компания предлагает такой сценарий: наговорить план в Loom и передать расшифровку в редактор кода Cursor, чтобы тот сам внёс правки.

Скоро Grok Voice Transcribe 2.0 станет моделью по умолчанию в API, а первую версию отключат в ближайшие недели. Тем, кому нужно время на переход, SpaceXAI советует явно указать в запросах grok-voice-transcribe-1.0. Все сравнения с конкурентами, кроме рейтинга Artificial Analysis, — собственные измерения компании, и названия моделей, с которыми её сравнивали, в анонсе не приведены.