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, la séparation des locuteurs, plusieurs canaux et une 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 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

2026-05-27 10:24:48

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 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 reste légèrement en tête. 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 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
12
1
Partager

Commentaire

Ajouter un commentaire

WhitepaperByTheRoadside

· Il y a 2h

Horodatage au niveau des mots + séparation des locuteurs, le scénario de compte rendu de réunion devient fou.

Voir l'originalRépondre0

Lime-ColoredStop-LossLine

· Il y a 14h

Traitement par lots 0,1 dollar/heure, c'est vraiment tentant, mais avec une tarification en flux doublée, cela vous pousse clairement à opter pour le traitement en masse

Voir l'originalRépondre0

GateUser-83a2dd8a

· Il y a 14h

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

Voir l'originalRépondre0

TheProphetOfToast

· Il y a 16h

Étiquettes en ligne de la métrique émotionnelle, enfin plus besoin d'écouter le robot lire le script

Voir l'originalRépondre0

GateUser-b665e41c

· Il y a 17h

Intégration du système embarqué Tesla, quelle est la latence de l'interaction vocale en conduite en millisecondes ?

Voir l'originalRépondre0

PunkRiskMgr

· Il y a 17h

Le service client de Starlink est désormais utilisé, et la reconnaissance des accents dans les zones rurales est devenue une mine de données d'entraînement.

Voir l'originalRépondre0

ToBeHonest,You'llLose

· Il y a 17h

De la vague des LLM à la voix, la guerre multimodale entre officiellement dans la seconde moitié

Voir l'originalRépondre0

HashbrownHero

· Il y a 17h

Transcription en masse de ces prix, les groupes de sous-titres et les animateurs de podcasts envisagent probablement une migration collective

Voir l'originalRépondre0

GateUser-bee672a5

· Il y a 17h

Attendre qu'une communauté open source reproduise le benchmark WER de xAI a pour habitude de douter d'abord

Voir l'originalRépondre0

TwoFactorZen

· Il y a 17h

REST + WebSocket double mode, convivialité maximale pour les développeurs

Voir l'originalRépondre0

Afficher plus

Sujets populaires
Afficher plus
#
StockTradingChallengeUpTo17000U
16.03M Popularité
#
IsraelStrikesIranBTCPlunges
49.91K Popularité
#
GatePredictionMarketAddsSmartMoneyTracking
13.25M Popularité
#
USLaunchesNewStrikesOnIranOilRebounds
9.31M Popularité
#
2gGoldEvery10Minutes
3.09M Popularité

Épinglé

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

Sujets populaires

StockTradingChallengeUpTo17000U

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

USLaunchesNewStrikesOnIranOilRebounds

2gGoldEvery10Minutes

Épinglé