xAI mở rộng API âm thanh Grok STT và TTS, tỷ lệ lỗi từ tổng thể của STT giảm xuống còn 6.9%

robot
Đang tạo bản tóm tắt
ME News Tin tức, ngày 18 tháng 4 (UTC+8), theo theo dõi Beating của Dongcha, xAI ra mắt hai API âm thanh độc lập: Grok Speech to Text và Grok Text to Speech. Cả hai đều đến từ cùng một hệ thống âm thanh hỗ trợ Grok Voice, hệ thống xe Tesla và dịch vụ khách hàng Starlink, lần này được mở dưới dạng endpoint độc lập, cho phép các nhà phát triển kết nối trực tiếp với các ứng dụng như trung gian thoại, chuyển đổi giọng nói theo thời gian thực, công cụ hỗ trợ truy cập và podcast. STT cung cấp hai chế độ. API REST dùng để chuyển đổi hàng loạt các tệp âm thanh lớn, phản hồi trong mili giây; API WebSocket hướng tới luồng giọng nói theo thời gian thực. Các khả năng đi kèm bao gồm dấu thời gian theo từ, phân tách người nói (diarization), nhận dạng theo kênh riêng biệt, và Inverse Text Normalization, tức tự động định dạng các số, ngày tháng, tiền tệ trong lời nói thành văn bản có cấu trúc chuẩn. Hỗ trợ hơn 25 ngôn ngữ, có thể chuyển đổi liền mạch trong cuộc đối thoại. xAI cũng công bố một bộ so sánh tỷ lệ lỗi từ (WER, giá trị thấp hơn càng tốt): trong các kịch bản tổng thể, Grok 6.9%, ElevenLabs 9.0%, Deepgram 11.0%, AssemblyAI 12.9%; khoảng cách trong nhận dạng thực thể cuộc gọi điện thoại còn lớn hơn, Grok 5.0%, tương ứng ba nhà cung cấp lần lượt là 12.0%, 13.5%, 21.3%. Trong các kịch bản phổ biến như họp, podcast video, cuộc gọi điện thoại, Grok cũng dẫn đầu nhẹ nhàng. Bộ số liệu này do xAI tự kiểm tra và công bố, chưa có kiểm tra lại từ bên thứ ba. Về giá cả, xử lý hàng loạt STT là 0.10 USD/giờ, streaming là 0.20 USD/giờ; TTS là 4.20 USD/1 triệu ký tự. TTS hỗ trợ sử dụng Thẻ Giọng Nói nội tuyến để kiểm soát cảm xúc và nhịp điệu, ví dụ \[laugh], \[sigh], \[whisper], \ (Nguồn: BlockBeats)
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
  • Phần thưởng
  • 7
  • 2
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
SushiAndSlugs
· 14giờ trước
Nói rõ về thẻ cảm xúc nội tuyến, liệu có thể khiến AI dùng giọng điệu "đọc như máy" để châm chọc không
Xem bản gốcTrả lời0
FragilePosition
· 14giờ trước
Dấu thời gian cấp từ khóa + phân tách người nói, niềm vui điên cuồng khi chỉnh sửa podcast
Xem bản gốcTrả lời0
MempoolSparrow
· 14giờ trước
WebSocket dòng chảy theo thời gian thực 0.2 đô la/giờ, rẻ hơn hay đắt hơn so với Whisper?
Xem bản gốcTrả lời0
GateUser-b6d80ba0
· 14giờ trước
Dịch vụ khách hàng của Starlink đã được sử dụng rồi, không ngờ lần trước gọi điện cho bộ phận hỗ trợ cảm giác như đối phương là AI
Xem bản gốcTrả lời0
AirdropMileCounter
· 14giờ trước
25+ ngôn ngữ bao phủ, hiệu quả tiếng Trung thế nào, có người đã thử chưa
Xem bản gốcTrả lời0
ReflectiveChainShadow
· 14giờ trước
Cùng một ngăn xếp âm thanh thông qua xe máy + vệ tinh + trò chuyện, hệ sinh thái vòng kín của xAI có chút gì đó đặc biệt
Xem bản gốcTrả lời0
MintAfterCoffee
· 14giờ trước
Chuẩn hóa ngược văn bản là công nghệ đen gì vậy, có anh hiểu biết nào mở rộng giải thích không?
Xem bản gốcTrả lời0
  • Đã ghim