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

robot
Création du résumé en cours
ME News Actualités, le 18 avril (UTC+8), selon le monitoring 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 un texte structuré standardisé.
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 c’est bas, mieux c’est) :
Grok 6,9 %,
ElevenLabs 9,0 %,
Deepgram 11,0 %,
AssemblyAI 12,9 % ;
L’écart est encore plus marqué pour la « reconnaissance d’entités dans les appels téléphoniques » :
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 temps réel 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, telles que \[laugh\], \[sigh\], \[whisper\], \ (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.
  • Récompense
  • 6
  • Reposter
  • Partager
Commentaire
Ajouter un commentaire
Ajouter un commentaire
GovernanceVotingTug-Of-WarKing
· Il y a 2h
25+ couverture linguistique correcte, mais la qualité des langues rares est douteuse, il faut tester pour le savoir
Voir l'originalRépondre0
ViewingBullAndBearMarketsFromA
· Il y a 2h
La latence du flux en temps réel via WebSocket en ms n'a pas été précisée, c'est crucial pour les scénarios de streaming en direct.
Voir l'originalRépondre0
BorrowedHalo
· Il y a 2h
Les étiquettes émotionnelles intégrées, est-ce que les podcasts IA pourront lire le sarcasme à l'avenir ?
Voir l'originalRépondre0
PuddingMarketMaker
· Il y a 2h
Le service client de Starlink est désormais utilisé, la boucle écologique de Musk est confirmée
Voir l'originalRépondre0
GateUser-83c80dd0
· Il y a 2h
Horodatage au niveau des mots + séparation des locuteurs, les amateurs de montage de podcasts sont ravis
Voir l'originalRépondre0
TideEarningsTable
· Il y a 2h
4.2 millions de caractères en dollars, est-ce moins cher ou plus cher que ElevenLabs ? Quelqu’un l’a-t-il calculé ?
Voir l'originalRépondre0