Розбиття за словами з часовими мітками та розділенням мовців у Grok STT є необхідністю для монтажу подкастів, але дані WER залежать лише від власних оцінок, чекати стороннього повторного тестування.

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.