Vad som släpptes
SpaceXAI släppte på torsdagen Grok Voice Transcribe 2.0, en tal-till-text-modell byggd på den ljudgrund som ligger bakom Grok Voice, och som bolaget säger redan sköter kundtjänstsamtal och assistenten i Teslas bilar, enligt företagets meddelande.
Bolagets påstående är att modellen är “dubbelt så träffsäker som Grok Voice Transcribe 1.0, till samma pris”. Priset är oförändrat: 0,10 dollar per timme ljud för batchtranskribering och 0,20 dollar per timme för strömmande, med talardiarisering, tidsstämplar och nyckelordsviktning inkluderat utan extra kostnad.
Var vinsterna finns
Siffrorna per kategori säger mer än rubriken. SpaceXAI redovisar ordfelsfrekvenser som faller från 20,6 till 6,8 procent på korta fraser i 19 språk, från 8,7 till 3,3 procent på samtalsljud, från 7,2 till 3,2 procent på uppgifter som telefonnummer och e-postadresser, och från 10,6 till 7,1 procent i telefonitester med komprimerat 8 kHz-ljud.
De fyra kategorierna är precis de som knäcker transkribering i skarp drift. Ett kort yttrande ger modellen nästan ingen kontext att tolka med; en uppläst e-postadress har ingen språklig redundans alls; och 8 kHz-telefoni kastar bort de höga frekvenser som skiljer konsonanter åt. Att skära bort två tredjedelar av felet på korta flerspråkiga fraser är en större praktisk förändring än rubriken antyder.
Den oberoende kontrollen
Till skillnad från de flesta modellsläpp har det här en utomstående referenspunkt. På den offentliga listan Artificial Analysis rankas Grok Voice Transcribe 2.0 först i träffsäkerhet bland 32 strömmande modeller, med 2,7 procents ordfel i sin första slutliga transkription, ned från 3,9 procent för version 1.0, rapporterar Unite.AI.
Det är en tredjepartsmätning på en offentlig lista, vilket är ett annat slags bevis än kategorisiffrorna ovan. Båda är värda att ha; bara den ena togs fram av någon annan än leverantören.
Vad den gör
Modellen stöder batch och strömmande transkribering, tidsstämplar på ordnivå, talardiarisering, flerkanalstranskribering, nyckelordsviktning, textformatering, borttagning av utfyllnadsord och smart turdetektering för röstagenter. Den klarar dussintals språk med automatisk identifiering och kan följa ett språkbyte mitt i en inspelning.
Den blir standard i tal-till-text-API:et. Version 1.0 fasas ut men kan låsas under övergången.
Att hålla ögonen på
Turdetekteringen är den del som spelar roll för agenter snarare än för transkript. En röstagent som avbryter den som ringer mitt i en mening misslyckas av skäl som aldrig syns i en ordfelsfrekvens, och ingen offentlig lista mäter det bra i dag. Håll ögonen på om någon publicerar ett turtagningstest som de strömmande modellerna kan rangordnas på.
