Qué se ha lanzado
SpaceXAI publicó el jueves Grok Voice Transcribe 2.0, un modelo de voz a texto construido sobre la base de audio que hay detrás de Grok Voice, y que según la empresa ya atiende llamadas de soporte al cliente y el asistente de los vehículos Tesla, según su anuncio.
La empresa afirma que el modelo es “el doble de preciso que Grok Voice Transcribe 1.0, al mismo precio”. La tarifa no cambia: 0,10 dólares por hora de audio en transcripción por lotes y 0,20 por hora en streaming, con diarización, marcas de tiempo y sesgo de términos clave incluidos sin coste adicional.
Dónde están las mejoras
Las cifras por categoría dicen más que el titular. SpaceXAI informa de tasas de error por palabra que bajan del 20,6% al 6,8% en frases cortas en 19 idiomas, del 8,7% al 3,3% en audio conversacional, del 7,2% al 3,2% en datos como números de teléfono y direcciones de correo, y del 10,6% al 7,1% en pruebas de telefonía con audio comprimido de 8 kHz.
Esas cuatro categorías son justamente las que rompen la transcripción en producción. Un enunciado corto da al modelo casi ningún contexto para desambiguar; una dirección de correo dictada no tiene ninguna redundancia lingüística; y la telefonía de 8 kHz elimina las frecuencias altas que distinguen las consonantes. Recortar dos tercios del error en frases cortas multilingües es un cambio práctico mayor de lo que sugiere el titular.
La comprobación independiente
A diferencia de la mayoría de los anuncios de modelos, este tiene un punto de referencia externo. En la clasificación pública de Artificial Analysis, Grok Voice Transcribe 2.0 ocupa el primer puesto en precisión entre 32 modelos de streaming, con un 2,7% de error por palabra en su primera transcripción final, frente al 3,9% de la versión 1.0, informa Unite.AI.
Esa es una medición de terceros en una lista pública, un tipo de prueba distinto de las cifras por categoría anteriores. Ambas merecen tenerse en cuenta; solo una de ellas la produjo alguien que no es el fabricante.
Qué hace
El modelo admite transcripción por lotes y en streaming, marcas de tiempo por palabra, diarización de hablantes, transcripción multicanal, sesgo de términos clave, formato de texto, eliminación de muletillas y detección inteligente de turnos para agentes de voz. Maneja decenas de idiomas con detección automática y puede seguir un cambio de idioma a mitad de grabación.
Será el modelo por defecto en la API de voz a texto. La versión 1.0 queda obsoleta, pero puede fijarse durante la transición.
Qué vigilar
La detección de turnos es la parte que importa para los agentes, no para las transcripciones. Un agente de voz que interrumpe a quien llama a mitad de frase falla por razones que nunca aparecen en una tasa de error por palabra, y ninguna clasificación pública la mide bien hoy. Conviene vigilar si alguien publica una prueba de toma de turnos con la que puedan ordenarse los modelos de streaming.
