xAI 发布 Grok Voice Transcribe 2.0：准确率翻倍加量不加价

录音转文字这门技术，在安静的办公室里早就没什么悬念了，大家听写得都挺准。但只要换到烂电话线、背景嘈杂的车厢，或者让人念一串又长又碎的邮箱和验证码，大部分模型立刻就开始胡言乱语。

xAI 刚发布的 Grok Voice Transcribe 2.0，盯上的就是这块最难啃的骨头。作为全新的语音转文字模型，官方称其综合准确率达到了上一代版本的两倍，而在 Artificial Analysis 的公开基准测试中，它在 32 款流式转录模型里直接拿下了准确率第一。

专啃烂电话线与短指令

这套模型直接继承了 Grok Voice 背后的音频基座，此前它已经在每天数万通客服电话、数百万小时视频听写，以及 Tesla 车载语音助手中反复打磨。

按照官方的说法，它是在包含杂音、各种口音以及复杂真实环境的多语言音频数据上完成训练与后训练的。

除了公开榜单，xAI 还用自己业务里的四类真实场景做了测试，包括客服通话、与 Grok 的日常对话、口述账号密码等凭证，以及短语音指令。结果显示新模型全面超越了 1.0 版本，其中在电话音频上的表现超过了他们测试的所有同类模型。

提升幅度最大的是多语言能力。新模型不仅能在单次录音中自动识别语言，还能在说话人中途切语言时直接跟上。

在车机控制这种极短的指令场景下，由于缺乏上下文，以往模型很难判断语种。但在 19 种语言的短语测试集里，新版本的字错率从上一代的 20.6% 一口气降到了 6.8%。

加量不加价，Loom 已经接入

产品不仅测了指标，也拉来了大客户站台。Atlassian 旗下的视频录制工具 Loom 已经全面采用它来转录平台上的视频。

官方还举了一个挺有意思的工作流：团队成员在 Loom 里录一段产品改进计划，模型把视频精确转成文本后，直接喂给 Cursor 这样的 AI 编程工具，就能自动完成代码修改。

更狠的是定价。Grok Voice Transcribe 2.0 完全维持了上一代的价格：离线批量转录每小时音频 0.10 美元，实时流式每小时 0.20 美元，而且说话人分离、时间戳标记和自定义关键词全都不额外收钱。

对于现有的 API 用户来说，不需要修改任何代码就能平滑过渡。新模型很快会变成 API 的默认选项，而老版本 1.0 会在几周后正式停用。

为什么重要

语音转文字市场已经很久没有让人眼前一亮的大动作了，大部分厂商都在拼细微的参数优化，或者靠打包大模型卖全家桶。

但我们认为，xAI 这一步走得相当务实且凶狠。它没有一味去拼标准普通话或广播级音频的测试分数，而是依托特斯拉车机和客服业务积累下来的烂音频，把最容易报错的客服电话、口播凭证和车载杂音当成了主攻方向。

对于开发者和企业来说，每小时 0.10 到 0.20 美元的价格相当便宜，而且直接打包了说话人分离和时间戳，这意味着中小团队搭建电话客服质检、会议纪要或者视频听写功能时，成本和工程门槛都会大幅降低。值不值得试？如果你正在被嘈杂环境下的转录准确率折磨，现在就该换上试试。

不过隐患也同样存在。强绑定 xAI 生态意味着企业需要权衡数据隐私和多供应商依赖风险，而且在一些高度垂直的专业术语上，它的表现能否像通用指令那样稳定，还需要更多第三方实测来验证。