📢 xAI выпустила Grok Voice Transcribe 2.0 - вдвое точнее предыдущей версии

xAI представила новую модель распознавания речи Grok Voice Transcribe 2.0. По внутренним оценкам, она вдвое точнее версии 1.0 при той же цене и занимает первое место по точности среди 32 стриминговых моделей на публичном лидерборде Artificial Analysis.

Модель построена на аудио-фундаменте Grok Voice, который уже обслуживает десятки тысяч звонков в поддержку ежедневно и работает в голосовых агентах, включая ассистента Grok в автомобилях Tesla. Обучение шло на живых шумных многоязычных записях из разных сред - это даёт лучший результат на «сложном» аудио: плохие телефонные линии, несколько говорящих, акценты, продиктованные номера и email. На коротких фразах (например, командах в машине) word error rate упал с 20,6% до 6,8%.

Среди возможностей: batch и streaming, таймстемпы на уровне слов с confidence-оценками, диаризация спикеров без доплаты, до 8 каналов, key term biasing до 100 терминов, форматирование чисел и дат, удаление слов-паразитов и smart turn detection для голосовых агентов. Существующие интеграции Speech-to-Text API получают прирост точности без изменений кода. Цена прежняя: $0.10/час за batch и $0.20/час за streaming. Atlassian уже использует модель в Loom.

#Tech #xAI #Grok #SpeechToText #Models #Development