xAI mở rộng API âm thanh Grok STT và TTS, tỷ lệ lỗi từ toàn bộ 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 Động Chác, 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 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 dòng âm thanh 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 là 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 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 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
  • 6
  • Đăng lại
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
GovernanceVotingTug-Of-WarKing
· 2giờ trước
25+ ngôn ngữ bao phủ khá tốt, nhưng chất lượng của các ngôn ngữ ít người nói còn đáng ngờ, thử mới biết
Xem bản gốcTrả lời0
ViewingBullAndBearMarketsFromA
· 2giờ trước
Độ trễ luồng thời gian thực của WebSocket là bao nhiêu ms chưa nói rõ, trong cảnh quay trực tiếp rất quan trọng
Xem bản gốcTrả lời0
BorrowedHalo
· 2giờ trước
Nhãn cảm xúc nhúng, sau này AI podcast có thể đọc được sự mỉa mai không
Xem bản gốcTrả lời0
PuddingMarketMaker
· 2giờ trước
Dịch vụ khách hàng của Starlink đã được sử dụng, vòng khép kín của hệ sinh thái Elon Musk đã được xác nhận
Xem bản gốcTrả lời0
GateUser-83c80dd0
· 2giờ trước
Dấu thời gian theo từ + phân tách người nói, các nhà chỉnh sửa podcast vui mừng khôn xiết
Xem bản gốcTrả lời0
TideEarningsTable
· 2giờ trước
4.2 Triệu ký tự USD, rẻ hơn hay đắt hơn ElevenLabs? Có ai đã tính chưa?
Xem bản gốcTrả lời0