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 17:23:03

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 pour la transcription en masse de grands fichiers audio, avec un retour en millisecondes ; l’API WebSocket pour 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, ainsi que la Normalisation Inverse du Texte, c’est-à-dire la mise en forme automatique des chiffres, dates, devises dans le discours en texte structuré normalisé. La couverture linguistique dépasse 25 langues, avec une commutation fluide en conversation. xAI a également publié un comparatif du taux d’erreur de reconnaissance de mots (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 marquée, 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 reste légèrement en tête. Ces chiffres ont été publiés par xAI suite à ses propres tests, 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)

XAI2,16%

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.

10 J'aime

Récompense
10
6
Reposter
Partager

Commentaire

Ajouter un commentaire

SudoSatoshi

· Il y a 6h

Couverture multilingue de plus de 25 langues, mais quelle est la qualité des langues peu courantes ?
La moyenne du WER semble bonne, mais pour les langues de longue traîne, cela pourrait encore être un cauchemar.

Voir l'originalRépondre0

AirdropUnderTheNeonBridge

· Il y a 6h

Étiquettes en ligne pour l'émotion et le rythme ? TTS n'est enfin plus une machine à lire un script, il peut maintenant jouer avec la narration pour des livres audio ou des dialogues de PNJ dans des jeux.

Voir l'originalRépondre0

AirdropCartographer

· Il y a 6h

Multi-canaux + séparation des locuteurs, un outil magique pour la transcription d'enregistrements de réunions, mais avec un coût de streaming de 0,2 dollar/heure, les longues réunions ne sont pas non plus bon marché.

Voir l'originalRépondre0

PerpPulse

· Il y a 6h

Grok Voice, Tesla en voiture, Starlink service client utilisent tous la même pile audio, Musk maîtrise de plus en plus cette boucle écologique.

Voir l'originalRépondre0

MintLaterMaybe

· Il y a 6h

Qu'est-ce que la normalisation inversée du texte ? Convertir les chiffres en chiffres arabes ? Cette fonction est assez essentielle pour le traitement post-transcription vocale, évitant d'écrire des expressions régulières soi-même.

Voir l'originalRépondre0

CliffsideAncientPineAndRolling

· Il y a 6h

xAI cette série d'API audio frappe assez fort, STT en flux continu à 0,2 dollar/heure, TTS à 4,2 dollars/million de caractères, la stratégie de tarification vise clairement une utilisation commerciale à grande échelle.

Voir l'originalRépondre0

Sujets populaires
Afficher plus
#
StockTradingChallengeUpTo17000U
16.22M Popularité
#
USStrikesIran
9.32M Popularité
#
IsraelStrikesIranBTCPlunges
49.53K Popularité
#
GatePredictionMarketAddsSmartMoneyTracking
13.81M Popularité
#
InstitutionalCapitalRotatesFromBTCToHYPEAndXRP
14.33M 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

USStrikesIran

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

InstitutionalCapitalRotatesFromBTCToHYPEAndXRP

Épinglé