xAI mở API âm thanh STT và TTS của Grok, 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 Động Trắc, 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 đại lý 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 các kênh, 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
  • 11
  • 1
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
Lime-ColoredStop-LossLine
· 10giờ trước
Xử lý hàng loạt 0.1 đô la/giờ thật hấp dẫn, nhưng giá theo luồng nhân đôi rõ ràng ép buộc bạn phải chuyển sang số lượng lớn
Xem bản gốcTrả lời0
GateUser-83a2dd8a
· 10giờ trước
25+ ngôn ngữ bao phủ, hiệu quả tiếng Trung thế nào đã có người thử chưa
Xem bản gốcTrả lời0
TheProphetOfToast
· 11giờ trước
Thẻ nội tuyến cảm xúc và nhịp điệu, cuối cùng cũng không cần nghe robot đọc bài nữa
Xem bản gốcTrả lời0
GateUser-b665e41c
· 12giờ trước
Tích hợp hệ thống xe Tesla, độ trễ phản hồi thoại khi lái xe có thể giảm xuống còn bao nhiêu mili giây
Xem bản gốcTrả lời0
PunkRiskMgr
· 12giờ trước
Dịch vụ khách hàng của Starlink đã được sử dụng, nhận dạng giọng nói vùng nông thôn đã trở thành mỏ dữ liệu huấn luyện.
Xem bản gốcTrả lời0
ToBeHonest,You'llLose
· 12giờ trước
Từ LLM đến giọng nói, cuộc chiến đa phương thức chính thức bước vào giai đoạn thứ hai
Xem bản gốcTrả lời0
HashbrownHero
· 12giờ trước
Chuyển đổi hàng loạt mức giá này, nhóm phụ đề và chủ podcast có lẽ sẽ chuyển đổi tập thể
Xem bản gốcTrả lời0
GateUser-bee672a5
· 12giờ trước
Chờ đợi cộng đồng mã nguồn mở tái hiện WER, benchmark của xAI thường hay đặt câu hỏi trước
Xem bản gốcTrả lời0
TwoFactorZen
· 12giờ trước
REST + WebSocket song song, nhà phát triển thân thiện tối đa
Xem bản gốcTrả lời0
VintageKeychain
· 12giờ trước
Trên cùng một ngăn âm thanh được cung cấp, trải nghiệm Grok Voice nên có thể đồng bộ nâng cấp
Xem bản gốcTrả lời0
Xem thêm
  • Đã ghim