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 Chấn, 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 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 đa, 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 ba nhà còn lại 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 của 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)
XAI3,98%
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
  • Đăng lại
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
GateUser-7919e6b9
· 8giờ trước
STT hàng loạt chỉ 0.1 đô la/giờ, rẻ hơn một chút so với API Whisper
Xem bản gốcTrả lời0
GateUser-28f37882
· 9giờ trước
Cùng một bộ stack đã tích hợp Grok Voice, hệ thống xe hơi, Starlink, lần này xAI trong việc tích hợp nguồn lực có chút gì đó đặc biệt
Xem bản gốcTrả lời0
Don'tMessWithSlippage.
· 10giờ trước
Grok ngăn xếp âm thanh này cuối cùng đã mở cửa cho công chúng, chủ xe Tesla vui mừng
Xem bản gốcTrả lời0
ReflectiveChainShadow
· 10giờ trước
WebSocket phát trực tiếp theo thời gian thực 0.2 đô la/giờ, có thể chạy được trong kịch bản phụ đề trực tiếp không
Xem bản gốcTrả lời0
MossyLedger
· 10giờ trước
WER đối chiếu chưa có kiểm tra lại của bên thứ ba, cứ để đạn bay một chút đã
Xem bản gốcTrả lời0
MistBlueLily
· 10giờ trước
Chức năng chuẩn hóa ngược văn bản này rất hữu ích cho trợ lý giọng nói, cuối cùng không cần phải tự viết quy tắc nữa
Xem bản gốcTrả lời0
NodeUnderTheAurora
· 10giờ trước
4.2 đô la/một triệu ký tự TTS, rẻ hơn hay đắt hơn ElevenLabs? Có ai đã tính chưa
Xem bản gốcTrả lời0
  • Đã ghim