«Вдвое точнее при той же цене»: xAI выпустила Grok Voice Transcribe 2.0

18 сентября 2026 года xAI выпустила Grok Voice Transcribe 2.0 — очередную версию своей модели распознавания речи. По описанию компании, это одна из самых точных моделей транскрипции, доступных сегодня: в реальных оценках она вдвое точнее Grok Voice Transcribe 1.0 при той же цене. В самой публикации компания называет себя SpaceXAI.

Новая версия построена на аудиофундаментальной модели, которая лежит в основе Grok Voice. По данным xAI, Grok Voice уже обслуживает десятки тысяч звонков в службу поддержки ежедневно, расшифровывает миллионы часов видеонарратива и работает в голосовых агентах физических продуктов, включая ассистента Grok в автомобилях Tesla. Модель обучена на наборе живого, шумного и многоязычного аудио, записанного в разных средах, и дополнительно дообучена после этого.

Первое место среди 32 потоковых моделей

В публичном рейтинге Artificial Analysis Grok Voice Transcribe 2.0 занимает первое место по точности среди 32 потоковых моделей. Помимо публичных бенчмарков xAI измеряет word error rate на четырёх внутренних наборах, собранных из продакшн-трафика: телефонное аудио обращений в поддержку, разговоры с Grok, произносимые вслух учётные данные (коды аккаунтов и адреса электронной почты) и короткие многоязычные голосовые команды. По заявлению компании, новая версия улучшает результат версии 1.0 на всех четырёх наборах, а на телефонии опережает все протестированные модели.

Отдельно xAI разбирает короткие фразы: в этом сценарии у модели слишком мало контекста, чтобы определить язык. На наборе коротких фраз word error rate снизился с 20,6% до 6,8%. Компания объясняет результат тем, что модель обучалась на аудио из реальных условий с шумом, несколькими говорящими, местными акцентами и продиктованными вслух телефонами и адресами.

Многоязычность как главный прирост

Grok Voice Transcribe 2.0 распознаёт десятки языков, определяет язык автоматически и следует за переключением языка внутри одной записи за один проход. По словам xAI, многоязычная точность — самое большое улучшение относительно Grok Voice Transcribe 1.0.

Что умеет Speech-to-Text API

Существующие интеграции со Speech-to-Text API получают прирост точности без изменений в коде. Модель транскрибирует записанные файлы и ссылки либо обрабатывает аудиопоток в реальном времени, а для каждого слова возвращает точные время начала и окончания вместе с оценкой уверенности.

В списке возможностей — диаризация с разметкой говорящих без дополнительной платы, многоканальная транскрипция до восьми независимых каналов, биасинг по ключевым терминам (до 100 доменных терминов за запрос, например названий продуктов или медицинской лексики) и текстовое форматирование чисел, дат, валют, телефонов и адресов электронной почты в письменную форму. Отдельно упомянуто удаление слов-заполнителей вроде «um» и «uh» и умное определение конца реплики говорящего — последнее предназначено для голосовых агентов.

Документация уточняет детали контракта: API принимает файл одной командой или стримит аудио по WebSocket, поддерживает 12 аудиоформатов, таймстемпы на уровне слов, многоканальную транскрипцию и текстовое форматирование. В потоковом режиме число чередующихся аудиоканалов доходит до восьми, а разработчикам следует передавать сырые пакеты, а не контейнеры. Для биасинга термины повторяются в запросе отдельным полем на каждый термин.

Grok Voice в Atlassian Loom

Применение не ограничивается API: Atlassian нашла Grok Voice Transcribe 2.0 точнее своего прежнего решения и теперь расшифровывает им каждое видео. Точные транскрипты открывают новые AI-сценарии: план действий записывается в Loom, расшифровка передаётся в Cursor, и тот вносит правки в код напрямую. В публикации xAI приводит слова Sanchan Saxena, SVP of Teamwork Collection в Atlassian, о том, что связка Grok и Cursor замыкает цикл «от контекста к коду».

Цена и переход на новую версию

Цены не изменились: batch-транскрипция остаётся $0,10 за час аудио, streaming — $0,20 за час, а диаризация, таймстемпы и ключевые термины включены в тариф. Для сравнения, на внутреннем наборе коротких фраз xAI приводит word error rate и других моделей, включая ElevenLabs Scribe v2 и Deepgram Nova-3.

Grok Voice Transcribe 2.0 вскоре станет моделью по умолчанию в Speech-to-Text API, а Grok Voice Transcribe 1.0 будет объявлена устаревшей в течение ближайших недель. Чтобы остаться на прежней версии в переходный период, нужно явно закрепить идентификатор grok-voice-transcribe-1.0. Документация уже описывает оба идентификатора — grok-voice-transcribe-2.0 и grok-voice-transcribe-1.0 — и примеры вызовов как для одиночного запроса, так и для WebSocket-потока.