xAI 釋出 Grok Voice Transcribe 2.0：準確率翻倍加量不加價

錄音轉文字這門技術，在安靜的辦公室裡早就沒什麼懸念了，大家聽寫得都挺準。但只要換到爛電話線、背景嘈雜的車廂，或者讓人念一串又長又碎的郵箱和驗證碼，大部分模型立刻就開始胡言亂語。

xAI 剛釋出的 Grok Voice Transcribe 2.0，盯上的就是這塊最難啃的骨頭。作為全新的語音轉文字模型，官方稱其綜合準確率達到了上一代版本的兩倍，而在 Artificial Analysis 的公開基準測試中，它在 32 款流式轉錄模型裡直接拿下了準確率第一。

專啃爛電話線與短指令

這套模型直接繼承了 Grok Voice 背後的音訊基座，此前它已經在每天數萬通客服電話、數百萬小時影片聽寫，以及 Tesla 車載語音助手中反覆打磨。

按照官方的說法，它是在包含雜音、各種口音以及複雜真實環境的多語言音訊資料上完成訓練與後訓練的。

除了公開榜單，xAI 還用自己業務裡的四類真實場景做了測試，包括客服通話、與 Grok 的日常對話、口述賬號密碼等憑證，以及短語音指令。結果顯示新模型全面超越了 1.0 版本，其中在電話音訊上的表現超過了他們測試的所有同類模型。

提升幅度最大的是多語言能力。新模型不僅能在單次錄音中自動識別語言，還能在說話人中途切語言時直接跟上。

在車機控制這種極短的指令場景下，由於缺乏上下文，以往模型很難判斷語種。但在 19 種語言的短語測試集裡，新版本的字錯率從上一代的 20.6% 一口氣降到了 6.8%。

加量不加價，Loom 已經接入

產品不僅測了指標，也拉來了大客戶站臺。Atlassian 旗下的影片錄製工具 Loom 已經全面採用它來轉錄平臺上的影片。

官方還舉了一個挺有意思的工作流：團隊成員在 Loom 裡錄一段產品改進計劃，模型把影片精確轉成文本後，直接餵給 Cursor 這樣的 AI 程式設計工具，就能自動完成程式碼修改。

更狠的是定價。Grok Voice Transcribe 2.0 完全維持了上一代的價格：離線批次轉錄每小時音訊 0.10 美元，即時流式每小時 0.20 美元，而且說話人分離、時間戳標記和自定義關鍵詞全都不額外收錢。

對於現有的 API 使用者來說，不需要修改任何程式碼就能平滑過渡。新模型很快會變成 API 的預設選項，而老版本 1.0 會在幾週後正式停用。

為什麼重要

語音轉文字市場已經很久沒有讓人眼前一亮的大動作了，大部分廠商都在拼細微的引數最佳化，或者靠打包大模型賣全家桶。

但我們認為，xAI 這一步走得相當務實且兇狠。它沒有一味去拼標準普通話或廣播級音訊的測試分數，而是依託特斯拉車機和客服業務積累下來的爛音訊，把最容易報錯的客服電話、口播憑證和車載雜音當成了主攻方向。

對於開發者和企業來說，每小時 0.10 到 0.20 美元的價格相當便宜，而且直接打包了說話人分離和時間戳，這意味著中小團隊搭建電話客服質檢、會議紀要或者影片聽寫功能時，成本和工程門檻都會大幅降低。值不值得試？如果你正在被嘈雜環境下的轉錄準確率折磨，現在就該換上試試。

不過隱患也同樣存在。強繫結 xAI 生態意味著企業需要權衡資料隱私和多供應商依賴風險，而且在一些高度垂直的專業術語上，它的表現能否像通用指令那樣穩定，還需要更多第三方實測來驗證。