xAI开放Grok STT与TTS音频API,STT整体词错率压到6.9%

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)
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
  • 5
  • 转发
  • 分享
评论
请输入评论内容
请输入评论内容
雨后TVL
· 3小时前
马斯克这盘棋下得大,xAI 基础设施化速度比想象中快
回复0
TacoTreasury
· 6小时前
Grok 语音这块布局挺深的,车载+卫星客服都在用同一套,稳定性应该能打
回复0
GateUser-7cb48814
· 7小时前
WebSocket 实时转录,直播字幕场景直接可用
回复0
烤面包的预言家
· 7小时前
特斯拉车载系统同源,车机语音交互生态可能要联动
回复0
GateUser-e4fb1fbe
· 7小时前
同一套音频栈支撑这么多场景,工程复用做得漂亮
回复0