МЕ Новости сообщают, что xAI выпустила два независимых аудио API: Grok STT и Grok TTS, основанные на одной аудио платформе, поддерживающие Grok Voice, автомобильную систему Tesla и службу поддержки Starlink. STT предоставляет REST-пакетную транскрипцию и потоковую передачу через WebSocket, с временными метками на уровне слов, разделением говорящих, многоканальностью и обратной нормализацией текста, охватывая более 25 языков; TTS поддерживает встроенные теги для эмоций и ритма. Также опубликовано сравнение WER, где Grok лидирует в различных сценариях, третьи стороны пока не проводили повторные тесты. Цены: пакетная обработка STT — 0,10 доллара США за час, потоковая — 0,20 доллара США за час, TTS — 4,20 доллара за миллион символов.

MeNews

2026-05-26 06:16:48

Генерация тезисов в процессе

ME News Новости, 18 апреля (UTC+8), согласно мониторингу 动察 Beating, на платформе xAI запущены два независимых API для аудио: Grok Speech to Text и Grok Text to Speech. Оба основаны на одной аудиосистеме, поддерживающей Grok Voice, автомобильную систему Tesla и службу поддержки Starlink, и теперь доступны в виде отдельных конечных точек, что позволяет разработчикам напрямую интегрировать голосовых агентов, в реальном времени транскрибировать речь, создавать инструменты для инвалидов и подкасты. STT предлагает два режима. REST API предназначен для пакетной обработки больших аудиофайлов с ответом за миллисекунды; WebSocket API ориентирован на потоковую передачу речи в реальном времени. Включённые возможности включают временные метки на уровне слов, диаризацию говорящих, распознавание по каналам и обратную нормализацию текста, то есть автоматическую обработку чисел, дат, валют, произнесённых в разговоре, в структурированный нормативный текст. Поддержка более 25 языков, с возможностью бесшовного переключения в диалоге. xAI также опубликовала сравнительный показатель ошибок распознавания слов (WER, чем ниже, тем лучше): в целом сценарии Grok 6.9%, ElevenLabs 9.0%, Deepgram 11.0%, AssemblyAI 12.9%; разница в распознавании сущностей телефонных звонков ещё больше, Grok 5.0%, у трёх других соответственно 12.0%, 13.5%, 21.3%. В сценариях встреч, видеоподкастов и телефонных звонков Grok немного превосходит конкурентов. Эти показатели были протестированы и опубликованы xAI, сторонняя проверка пока отсутствует. В ценовой политике, пакетная обработка STT стоит 0,10 доллара за час, потоковая — 0,20 доллара за час; TTS — 4,20 доллара за миллион символов. TTS поддерживает управление эмоциями и ритмом с помощью встроенных тегов речи, например \[laugh\], \[sigh\], \[whisper\], (Источник: BlockBeats).

Посмотреть Оригинал

На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .

10 Лайков

Награда
10
7
2
Поделиться

комментарий

Добавить комментарий

SushiAndSlugs

· 15ч назад

Подробное объяснение внутренних эмоциональных тегов, можно ли заставить ИИ использовать монотонный, «чтение по бумажке» тон с ироничным оттенком

Посмотреть ОригиналОтветить0

FragilePosition

· 15ч назад

Таймстампы на уровне слов + разделение говорящих — восторг при монтаже подкастов

Посмотреть ОригиналОтветить0

MempoolSparrow

· 15ч назад

WebSocket реальное время поток 0.2 доллара/час, дешевле или дороже чем Whisper?

Посмотреть ОригиналОтветить0

GateUser-b6d80ba0

· 15ч назад

Служба поддержки Starlink уже использует это, неудивительно, что в прошлый раз при звонке в поддержку казалось, что собеседник — ИИ

Посмотреть ОригиналОтветить0

AirdropMileCounter

· 15ч назад

25+ языков покрытие, каков результат на китайском, кто-то проверял?

Посмотреть ОригиналОтветить0

ReflectiveChainShadow

· 15ч назад

Один и тот же аудиостек соединяет автомобильные системы + спутники + чат, у экосистемы xAI есть что-то стоящее.

Посмотреть ОригиналОтветить0

MintAfterCoffee

· 15ч назад

Что такое обратная нормализация текста — это какая-то передовая технология, расскажите подробнее, кто разбирается?

Посмотреть ОригиналОтветить0

Популярные темы
Подробнее
#
StockTradingChallengeUpTo17000U
16.22M Популярность
#
USStrikesIran
9.32M Популярность
#
IsraelStrikesIranBTCPlunges
49.49K Популярность
#
GatePredictionMarketAddsSmartMoneyTracking
13.8M Популярность
#
InstitutionalCapitalRotatesFromBTCToHYPEAndXRP
14.33M Популярность

Закреплено

Карта сайта

xAI открывает API для аудио Grok STT и TTS, общий процент ошибок в распознавании речи снижен до 6,9%

Популярные темы

StockTradingChallengeUpTo17000U

USStrikesIran

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

InstitutionalCapitalRotatesFromBTCToHYPEAndXRP

Закреплено