xAI lança Grok Voice Transcribe 2.0 com o dobro de precisão

Lançamento

A xAI (marcada como SpaceXAI na página) anunciou o Grok Voice Transcribe 2.0, seu mais recente modelo de conversão de fala em texto. Segundo a empresa, o modelo é um dos mais precisos disponíveis atualmente em avaliações do mundo real e tem o dobro da precisão do Grok Voice Transcribe 1.0 pelo mesmo preço.

O modelo é construído sobre o modelo fundacional de áudio que alimenta o Grok Voice, que já processa dezenas de milhares de ligações de suporte ao cliente por dia, transcreve milhões de horas de narração de vídeo e opera agentes de voz em produtos físicos, incluindo o assistente Grok em veículos Tesla. O treinamento usou um conjunto de dados de áudio ao vivo, ruidoso e multilíngue, gravado em ambientes diversos, com refinamento por pós-treino.

Precisão

A empresa argumenta que a maioria dos modelos de transcrição funciona bem apenas em áudio limpo e de um único falante, enquanto o áudio real envolve linhas telefônicas instáveis, vozes concorrentes, sotaques locais e dados lidos em voz alta, como números de telefone e e-mails.

No ranking público da Artificial Analysis, o Grok Voice Transcribe 2.0 ocupa o primeiro lugar em precisão entre 32 modelos de streaming. Internamente, a xAI mediu a taxa de erro de palavras em quatro conjuntos extraídos do tráfego de produção: telefonia de suporte ao cliente, conversas com o Grok, credenciais faladas (códigos, e-mails, endereços) e comandos curtos multilíngues. O modelo 2.0 supera a versão 1.0 nos quatro conjuntos e, em telefonia, supera todos os modelos testados pela empresa.

Multilinguismo

O modelo transcreve dezenas de idiomas, detecta a língua automaticamente e acompanha trocas de idioma no meio da gravação em uma única passagem. A xAI destaca a precisão multilíngue como a maior melhoria em relação à versão anterior: em frases curtas, como comandos dentro do carro, em que há pouco contexto para identificar a língua, a taxa de erro de palavras caiu de 20,6% para 6,8%.

Recursos e integrações

O modelo oferece batch e streaming, marcações de tempo por palavra com pontuações de confiança, diarização de falantes sem custo adicional, transcrição multicanal de até 8 canais, viés por termos-chave (até 100 termos por requisição), formatação de números, datas, moedas e e-mails, remoção de palavras de preenchimento como "um" e "uh", e detecção inteligente de fim de turno para agentes de voz. Integrações existentes da API de fala para texto recebem a melhoria de precisão sem mudanças de código.

Caso de uso e preço

A Atlassian adotou o modelo no Loom, após encontrá-lo mais preciso que sua solução anterior. Segundo Sanchan Saxena, SVP da Teamwork Collection da Atlassian, a transcrição via Grok combinada ao Cursor permite transformar gravações em atualizações de código diretamente.

O preço é idêntico ao da versão 1.0: 0,10 dólar por hora de áudio em batch e 0,20 dólar por hora em streaming, com diarização, marcações de tempo e termos-chave incluídos. O modelo 2.0 se tornará o padrão na API de fala para texto, e a versão 1.0 será descontinuada nas próximas semanas; quem quiser mantê-la durante a transição precisa fixar o identificador "grok-voice-transcribe-1.0".