xAI 開放Grok STT與TTS音頻API,STT整體詞錯率壓到6.9%

robot
摘要生成中
ME News 消息,4 月 18 日(UTC+8),據 動察 Beating 監測,xAI 上線兩個獨立音頻 API:Grok Speech to Text 和 Grok Text to Speech。兩者來自支撐 Grok Voice、特斯拉車載系統和 Starlink 客服的同一套音頻棧,此次以獨立 endpoint 形式開放,開發者可直接接入語音代理、實時轉錄、無障礙工具和播客等應用。 STT 提供兩種模式。REST API 用於對大音頻文件批量轉錄,毫秒級返回;WebSocket API 面向實時語音流。附帶能力包括詞級時間戳、說話人分離(diarization)、多通道分別識別,以及 Inverse Text Normalization,即把口語裡的數字、日期、貨幣自動整形為規範的結構化文本。語種覆蓋 25 種以上,可在對話中無縫切換。 xAI 同時公布一組詞錯率(WER,數值越低越好)對比:整體場景 Grok 6.9%,ElevenLabs 9.0%,Deepgram 11.0%,AssemblyAI 12.9%;「電話通話實體識別」差距被拉得更大,Grok 5.0%,對應三家分別為 12.0%、13.5%、21.3%。會議、視頻播客、電話三類常見業務場景下 Grok 也都小幅領先。這組數字由 xAI 自行測試公布,尚無第三方復測。 定價上,STT 批處理 0.10 美元/小時、流式 0.20 美元/小時;TTS 為 4.20 美元/100 萬字符。 TTS 支持用內聯 Speech Tags 控制情感和韻律,例如 \[laugh\]\、\[sigh\]\、\[whisper\]\、\ (來源:BlockBeats)
XAI-1.34%
查看原文
此頁面可能包含第三方內容,僅供參考(非陳述或保證),不應被視為 Gate 認可其觀點表述,也不得被視為財務或專業建議。詳見聲明
  • 打賞
  • 6
  • 轉發
  • 分享
回覆
請輸入回覆內容
請輸入回覆內容
SudoSatoshi
· 6小時前
多語言覆蓋 25+,但小語種品質怎麼樣?WER 平均好看,長尾語言可能還是災難。
查看原文回復0
霓虹桥下的空投
· 6小時前
情感與韻律內聯標籤?TTS 終於不再是念稿機器了,做有聲書或遊戲 NPC 對話能玩出花。
查看原文回復0
Airdrop Cartographer
· 6小時前
多通道 + 說話人分離,會議錄音轉寫神器,但 0.2 刀/小時流式成本,長會算下來也不便宜。
查看原文回復0
Perp Pulse
· 6小時前
Grok Voice、特斯拉車載、Starlink 客服全用同一套音頻棧,馬斯克這生态閉環玩得越來越溜了。
查看原文回復0
MintLaterMaybe
· 6小時前
逆文本歸一化是啥?數字轉阿拉伯數字?這功能對語音轉寫後處理挺關鍵的,省得自己寫正則。
查看原文回復0
悬崖古松与滚云
· 6小時前
xAI 這波音頻 API 組合拳打得挺狠,STT 流式 0.2 刀/小時,TTS 4.2 刀/百萬字符,定價策略明顯衝著大規模商用去的。
查看原文回復0