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

Thông tin ME News, ngày 18 tháng 4 (UTC+8), theo theo dõi của Động Chấn Beating, 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 cho Grok Voice, hệ thống xe của Tesla và dịch vụ khách hàng Starlink, lần này được mở rộng 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 riêng biệt nhiều kênh, 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 linh hoạt trong cuộc trò chuyện. 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 với 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
  • 5
  • Đăng lại
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
Post-RainTvl
· 4giờ trước
Mạng lưới của Musk chơi lớn, tốc độ xây dựng hạ tầng của xAI nhanh hơn dự kiến
Xem bản gốcTrả lời0
TacoTreasury
· 7giờ trước
Grok về phần thoại này khá sâu, hệ thống xe hơi + dịch vụ khách hàng vệ tinh đều sử dụng chung một bộ, độ ổn định chắc chắn có thể đảm bảo
Xem bản gốcTrả lời0
GateUser-7cb48814
· 8giờ trước
Chuyển đổi ghi chú trực tiếp qua WebSocket, phù hợp để sử dụng trực tiếp trong các kịch bản phụ đề trực tiếp
Xem bản gốcTrả lời0
TheProphetOfToast
· 8giờ trước
Hệ thống xe của Tesla cùng nguồn gốc, hệ sinh thái tương tác bằng giọng nói của hệ thống xe có thể sẽ liên kết
Xem bản gốcTrả lời0
GateUser-e4fb1fbe
· 8giờ trước
Cùng một bộ ngăn xếp âm thanh hỗ trợ nhiều kịch bản như vậy, việc tái sử dụng kỹ thuật đã làm rất tốt
Xem bản gốcTrả lời0