xAI випустила API для голосового перетворення в текст і тексту в голос від Grok

ME Новини повідомляють, що 18 квітня (UTC+8) xAI нещодавно оголосила про офіційний запуск двох окремих аудіо API: Grok для голосового перетворення в текст (STT) та Grok для перетворення тексту в голос (TTS).
Grok STT забезпечує високоточну та низьколатентну транскрипцію, підтримує пакетну обробку через REST API та потокову обробку в реальному часі через WebSocket API, а також має функції часових міток на рівні слів, розділення мовців, підтримки багатоканальності та інтелектуальної нормалізації тексту.
У статті зазначається, що у бенчмарках у сферах телефонних дзвінків, конференцій, відео/подкастів її показники помилок у словах були кращими за провідні комерційні моделі, такі як ElevenLabs, Deepgram та AssemblyAI.
Цей сервіс підтримує понад 25 мов, ціна за пакетну обробку становить 0,10 долара США за годину, а за потокову обробку — 0,20 долара за годину.
Grok TTS може швидко генерувати природний та виразний голос, підтримує тонке керування за допомогою простих голосових тегів, ціна — 4,20 долара за мільйон символів.
Обидва API базуються на тій самій технологічній платформі, яка забезпечує роботу Grok Voice, автомобілів Tesla та підтримку клієнтів Starlink.
(Джерело: InFoQ)