Медійні новини повідомляють, що xAI запустила дві окремі аудіо API: Grok STT та Grok TTS, що походять з одного аудіо стеку, підтримують Grok Voice, автомобільну систему Tesla та обслуговування Starlink. STT пропонує пакетний транскрипт через REST та потокову обробку в реальному часі через WebSocket, з часовими мітками на рівні слова, розділенням мовців, багатоканальним режимом та нормалізацією зворотного тексту, охоплюючи понад 25 мов; TTS підтримує внутрішні теги для емоцій та ритміки. Також опубліковано порівняння WER, де Grok демонструє перевагу у багатьох сценаріях, але третя сторона ще не проводила повторне тестування. Ціни: пакетний STT — 0,10 долара США за годину, потоковий — 0,20 долара США за годину, TTS — 4,20 долара за мільйон символів.

MeNews

2026-05-26 13:41:03

Генерація анотацій у процесі

ME News повідомлення, 18 квітня (UTC+8), згідно з моніторингом Дангча Beating, xAI запустила два окремі API для аудіо: Grok Speech to Text та Grok Text to Speech. Обидва належать одній аудіо-стеку, яка підтримує Grok Voice, автомобільну систему Tesla та обслуговування Starlink, і тепер відкриті у вигляді окремих кінцевих точок, що дозволяє розробникам безпосередньо підключатися до голосових агентів, реального часу транскрипції, інструментів для безперешкодного доступу та подкастів. STT пропонує два режими. REST API для пакетної транскрипції великих аудіофайлів з миттєвою відповіддю; WebSocket API орієнтований на потокове мовлення у реальному часі. Додаткові можливості включають часові мітки на рівні слів, розділення мовців (діаризація), розпізнавання по каналах та зворотню нормалізацію тексту, тобто автоматичне форматування чисел, дат, валют у стандартизований структурований текст. Підтримка понад 25 мов, з можливістю безшовного перемикання у діалогах. xAI також опублікувала порівняльні дані щодо рівня помилок у словах (WER, чим нижче, тим краще): у цілому сценарії Grok 6.9%, ElevenLabs 9.0%, Deepgram 11.0%, AssemblyAI 12.9%; різниця у «розпізнаванні сутностей телефонних дзвінків» ще більш значна, Grok 5.0%, відповідно трьом іншим — 12.0%, 13.5%, 21.3%. У сценаріях конференцій, відеоподкастів та телефонних дзвінків Grok також має невелике перевагу. Ці дані були опубліковані xAI на основі власних тестів, без стороннього повторного тестування. Щодо цін, то пакетна обробка STT коштує 0.10 долара США за годину, потокова — 0.20 долара за годину; TTS — 4.20 долара за мільйон символів. TTS підтримує використання внутрішніх тегів Speech для контролю емоцій та ритму, наприклад \[laugh\], \[sigh\], \[whisper\], \ (джерело: BlockBeats).

Переглянути оригінал

Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.

10 лайків

Нагородити
10
10
3
Поділіться

Прокоментувати

Додати коментар

InstantNoodle-LevelResearcher

· 4год тому

Масове транскрибування через REST, у реальному часі через WebSocket, архітектурне рішення досить практичне