Grok 语音转文本 2.0 发布，错误率降低约一半

SpaceXAI 正式发布 Grok Voice Transcribe 2.0 语音转文本模型。官方介绍，新版本在保持价格不变的前提下，将错误率降低约一半，为开发者与企业用户提供更具性价比的语音识别方案。

Grok Voice Transcribe 2.0 基于 Grok Voice 底层的音频基础模型构建。官方表示，Grok Voice 目前已全面赋能实际业务：每天承接数万通客服电话，转录数百万小时的视频旁白，并驱动实体硬件中的各类语音智能体，其中包括特斯拉车辆中搭载的 Grok 助手。这意味着该模型并非停留在实验室阶段的演示，而是在高并发、长时段的生产环境中持续运行。

在准确率方面，Artificial Analysis 榜单显示，Grok Voice Transcribe 2.0 在全部 32 款流式模型中准确率高居榜首，说明其在同类产品中处于第一梯队。

除公开基准外，SpaceXAI 还基于线上实际业务中采样的四个内部数据集，对模型的词错误率进行了系统评测。这四个测试集分别涵盖：客服电话音频、与 Grok 的日常对话（英语）、电话号码与邮箱、地址等口述信息，以及多语种简短语音指令。在四个数据集的评测中，Grok Voice Transcribe 2.0 的表现均全面超越 1.0 版本，说明本次提升并非只在单一场景成立，而是在接近真实业务分布的条件下得到验证。

定价方面，Grok Voice Transcribe 2.0 与 1.0 版本保持完全一致：批量转录为每小时音频 0.10 美元（约合 0.67 元人民币），实时流式转录为每小时音频 0.20 美元（约合 1.3 元人民币）。同时，说话人分离、精确时间戳以及自定义关键词功能均已全部包含在内，无需支付额外费用。

从技术路线看，语音转文本的竞争焦点正从单纯的通用基准分数，转向真实场景下的鲁棒性。客服电话往往伴随嘈杂背景与口音差异，口述信息则涉及数字、邮箱与地址等易错内容，多语种短指令又要求模型快速切换语言。以内部业务数据集作为补充评测，反映出厂商开始把线上业务的词错误率当作核心衡量指标，而不仅是公开榜单上的排名。

对开发者而言，价格不变而错误率减半，意味着单位成本的转录质量明显提升，长音频批量处理与实时流式交互两类场景都能直接受益。语音智能体、会议记录、视频字幕与呼叫中心质检等应用，也有望借此进一步降低人工校对的比例，把更多精力放在下游的语义理解与业务逻辑上。