Les nouvelles de ME News rapportent que xAI a lancé deux API audio indépendantes : Grok STT et Grok TTS, issues du même stack audio, supportant Grok Voice, le système embarqué Tesla et le service client Starlink, etc. STT offre une transcription en lot via REST et un flux en temps réel via WebSocket, avec des horodatages au niveau des mots, séparation des locuteurs, multi-canaux et normalisation inversée du texte, couvrant plus de 25 langues ; TTS supporte des balises intégrées pour l’émotion et la prosodie. Ils ont également publié une comparaison du taux d’erreur WER, où Grok domine dans plusieurs scénarios, mais aucune revalidation par un tiers n’a encore été effectuée. Tarification : traitement par lot STT 0,10 USD par heure, streaming 0,20 USD par heure, TTS 4,20 USD par million de caractères.

MeNews

2026-05-26 13:41:03

Création du résumé en cours

ME News Actualités, le 18 avril (UTC+8), selon la surveillance de Dongcha Beating, xAI a lancé deux API audio indépendantes : Grok Speech to Text et Grok Text to Speech. Les deux proviennent de la même pile audio supportant Grok Voice, le système embarqué de Tesla et le service client Starlink, et sont désormais accessibles sous forme de points de terminaison indépendants, permettant aux développeurs d’intégrer directement des applications de proxy vocal, de transcription en temps réel, d’outils d’accessibilité et de podcasts. STT propose deux modes. L’API REST est utilisée pour la transcription en masse de grands fichiers audio, avec un retour en millisecondes ; l’API WebSocket vise le flux vocal en temps réel. Les capacités associées incluent des horodatages au niveau des mots, la séparation des locuteurs (diarization), la reconnaissance multi-canaux séparée, ainsi que la Normalisation Inverse du Texte, c’est-à-dire la mise en forme automatique des chiffres, dates, devises dans un texte structuré normalisé. La couverture linguistique dépasse 25 langues, avec une commutation fluide dans la conversation. xAI a également publié un ensemble de comparaisons du taux d’erreur de reconnaissance (WER, plus la valeur est basse, mieux c’est) : dans le scénario global, Grok 6,9 %, ElevenLabs 9,0 %, Deepgram 11,0 %, AssemblyAI 12,9 % ; la différence pour la « reconnaissance d’entités dans les appels téléphoniques » est encore plus grande, Grok 5,0 %, contre respectivement 12,0 %, 13,5 %, 21,3 % pour les trois autres. Dans les scénarios courants de réunions, podcasts vidéo et appels téléphoniques, Grok affiche également de légères avancées. Ces chiffres ont été publiés par xAI lors de tests internes, sans vérification par un tiers. En termes de tarification, le traitement par lot STT coûte 0,10 dollar par heure, le flux en continu 0,20 dollar par heure ; TTS est à 4,20 dollars pour 1 million de caractères. TTS supporte l’utilisation de balises de parole intégrées pour contrôler l’émotion et le rythme, comme \[laugh\], \[sigh\], \[whisper\], (Source : BlockBeats)

Voir l'original

Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.

11 J'aime

Récompense
11
11
3
Partager

Commentaire

Ajouter un commentaire

GateUser-634ae966

· Il y a 49m

La prise en charge multi-pistes signifie-t-elle la capacité de reconnaissance par piste, et peut-elle être utilisée dans un scénario de studio d'enregistrement ?

Voir l'originalRépondre0

InstantNoodle-LevelResearcher

· Il y a 12h

La transcription en masse utilise REST, en temps réel utilise WebSocket, la conception de l'architecture est assez pragmatique.

Voir l'originalRépondre0

GateUser-f85bc167

· Il y a 13h

Attendez un véritable score de performance, regardez simplement le benchmark de xAI

Voir l'originalRépondre0

MarginMom

· Il y a 13h

Grok TTS supporte les étiquettes émotionnelles, c'est intéressant, cela signifie qu'à l'avenir, la voix synthétique IA pourra-t-elle exprimer des pleurs ?

Voir l'originalRépondre0

GateUser-f92ba9fa

· Il y a 13h

25+ langues couvertes, comment est l'effet en chinois, quelqu'un l'a-t-il testé ?

Voir l'originalRépondre0

Lightning-FastComposure

· Il y a 13h

Qu'est-ce que la normalisation inverse du texte, cette technologie innovante ? Quelqu'un qui comprend pourrait-il expliquer davantage ?

Voir l'originalRépondre0

HaiyanColdWallet

· Il y a 13h

Horodatage au niveau des mots + séparation des locuteurs, la transcription de réunion ravit les passionnés

Voir l'originalRépondre0

QuantsAndCats

· Il y a 13h

4.2 dollars / million caractères de TTS, est-ce moins cher ou plus cher que ElevenLabs ?

Voir l'originalRépondre0

AmberTeaSwirl

· Il y a 13h

STT en flux 0,2 dollar/heure, le scénario de sous-titres en temps réel devrait pouvoir fonctionner

Voir l'originalRépondre0

MultisigOnRocks

· Il y a 13h

Le même flux audio est alimenté à Grok Voice, Tesla, Starlink, Elon Musk a créé un écosystème fermé.

Voir l'originalRépondre0

Afficher plus

Sujets populaires
Afficher plus
#
StockTradingChallengeUpTo17000U
16.22M Popularité
#
TrumpBacksCFTCAuthorityOverPredictionMarkets
815.52K Popularité
#
IsraelStrikesIranBTCPlunges
49.55K Popularité
#
GatePredictionMarketAddsSmartMoneyTracking
13.2M Popularité
#
MicronMarketCapBreaks1Trillion
35.95K Popularité

Épinglé

xAI ouvre l'API audio Grok STT et TTS, le taux d'erreur global de STT réduit à 6,9 %

Sujets populaires

StockTradingChallengeUpTo17000U

TrumpBacksCFTCAuthorityOverPredictionMarkets

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

MicronMarketCapBreaks1Trillion

Épinglé