xAI releases Grok Voice Transcribe 2.0 with doubled accuracy at the same price
Trained on Grok Voice audio backbone, ranks first among 32 streaming models on Artificial Analysis; pricing holds at $0.10/hr batch and $0.20/hr streaming with Atlassian Loom already deployed.
xAI 当地时间 9 月 18 日发布 Grok Voice Transcribe 2.0 语音转文本模型，价格与上一代持平，但官方称准确率比 Grok Voice Transcribe 1.0 提升约 2 倍。
模型基于驱动 Grok Voice 的同一音频基础模型训练，训练数据来自真实客服电话、Grok 对话、口头账户信息以及多语种短指令等嘈杂多语种环境，并通过后训练进一步打磨。公司在 Artificial Analysis 流式准确率榜单的 32 个模型中排名第一。
内部测试集显示，在 19 门语言的短指令评测上，词错误率从 20.6% 降至 6.8%；客服电话集上从 10.6% 降至 7.1%；对话集从 8.7% 降至 3.3%；口头凭证集从 7.2% 降至 3.2%。
新模型支持批量与 WebSocket 流式两种调用方式，定价维持 0.10 美元/小时批量与 0.20 美元/小时流式；内置词级时间戳、置信度评分、免费说话人分离、最多 8 通道转录、关键术语偏置等开发者能力，无需修改现有集成代码即可升级。
Atlassian 在 Loom 视频录制平台全量集成 Transcribe 2.0，用于自动生成会议和代码讲解转录并对接 Cursor 实现语音到代码的端到端工作流；1.0 版本将在未来数周内弃用。