xAI开放Grok STT与TTS音频API,STT整体词错率压到6.9%

robot
摘要生成中
ME News 消息,4 月 18 日(UTC+8),据 动察 Beating 监测,xAI 上线两个独立音频 API:Grok Speech to Text 和 Grok Text to Speech。两者来自支撑 Grok Voice、特斯拉车载系统和 Starlink 客服的同一套音频栈,此次以独立 endpoint 形式开放,开发者可直接接入语音代理、实时转录、无障碍工具和播客等应用。 STT 提供两种模式。REST API 用于对大音频文件批量转录,毫秒级返回;WebSocket API 面向实时语音流。附带能力包括词级时间戳、说话人分离(diarization)、多通道分别识别,以及 Inverse Text Normalization,即把口语里的数字、日期、货币自动整形为规范的结构化文本。语种覆盖 25 种以上,可在对话中无缝切换。 xAI 同时公布一组词错率(WER,数值越低越好)对比:整体场景 Grok 6.9%,ElevenLabs 9.0%,Deepgram 11.0%,AssemblyAI 12.9%;「电话通话实体识别」差距被拉得更大,Grok 5.0%,对应三家分别为 12.0%、13.5%、21.3%。会议、视频播客、电话三类常见业务场景下 Grok 也都小幅领先。这组数字由 xAI 自行测试公布,尚无第三方复测。 定价上,STT 批处理 0.10 美元/小时、流式 0.20 美元/小时;TTS 为 4.20 美元/100 万字符。 TTS 支持用内联 Speech Tags 控制情感和韵律,例如 \[laugh]\、\[sigh]\、\[whisper]\、\ (来源:BlockBeats)
XAI-1.74%
此页面可能包含第三方内容,仅供参考(非陈述/保证),不应被视为 Gate 认可其观点表述,也不得被视为财务或专业建议。详见声明
  • 赞赏
  • 6
  • 转发
  • 分享
评论
请输入评论内容
请输入评论内容
SudoSatoshi
· 3小时前
多语言覆盖 25+,但小语种质量咋样?WER 平均好看,长尾语言可能还是灾难。
回复0
霓虹桥下的空投
· 3小时前
情感与韵律内联标签?TTS 终于不是念稿机器了,做有声书或游戏 NPC 对话能玩出花。
回复0
Airdrop Cartographer
· 3小时前
多通道 + 说话人分离,会议录音转写神器,但 0.2 刀/小时流式成本,长会算下来也不便宜。
回复0
Perp Pulse
· 3小时前
Grok Voice、特斯拉车载、Starlink 客服全用同一套音频栈,马斯克这生态闭环玩得越来越溜了。
回复0
MintLaterMaybe
· 3小时前
逆文本归一化是啥?数字转阿拉伯数字?这功能对语音转写后处理挺关键的,省得自己写正则。
回复0
悬崖古松与滚云
· 3小时前
xAI 这波音频 API 组合拳打得挺狠,STT 流式 0.2 刀/小时,TTS 4.2 刀/百万字符,定价策略明显冲着大规模商用去的。
回复0