SpaceXAI выпустила Grok Voice Transcribe 2.0: в два раза точнее на звонках и диктовке, цена та же
Компания SpaceXAI, основанная Илоном Маском, представила вторую версию модели распознавания речи Grok Voice Transcribe. Обновление стало доступно разработчикам через API 18 сентября и, по внутренним замерам, демонстрирует двукратное снижение ошибок на самых сложных сценариях — телефонных разговорах, диктовке номеров, адресов и коротких голосовых команд. При этом стоимость услуги не изменилась: пакетная расшифровка обходится в 0,10 доллара за час аудио, потоковая — в 0,20 доллара. Модель понимает 25 языков, включая русский, и уже интегрирована в продукты крупных технологических игроков.
Чем версия 2.0 отличается от первой
Главное новшество — дообучение на «грязном» живом звуке. Инженеры SpaceXAI натренировали модель на реальном трафике: телефонные линии с плохим качеством, фоновый шум, региональные акценты, одновременная речь нескольких людей. Особое внимание уделили самым проблематичным для любой системы речевого распознавания кейсам — продиктованным последовательностям цифр (телефоны, банковские карты), адресам электронной почты и лаконичным командам вроде «включи музыку» или «запиши заметку». Именно на этих задачах зафиксирован максимальный прирост качества.
По данным компании, база модели уже ежедневно обрабатывает десятки тысяч обращений в службу поддержки, расшифровывает миллионы часов видеоконтента и работает в голосовом ассистенте Grok, встроенном в автомобили Tesla. Этот производственный опыт позволил выявить типичные ошибки первой версии и устранить их при дообучении.
Технические возможности «из коробки»
Новая модель поставляется с набором функций, которые обычно требуют отдельной настройки или дополнительных платежей у конкурентов:
- Два режима работы: пакетная обработка готовых файлов и ссылок, а также потоковая расшифровка в реальном времени.
- Диаризация — автоматическая разметка реплик по спикерам (кто, когда и что сказал).
- Пословные временные метки: у каждого токена есть начало и конец, что критично для генерации субтитров и поиска по записям.
- Поддержка до восьми аудиоканалов — каждый расшифровывается отдельно (например, оператор и клиент в записи звонка).
- Пользовательский словарь: до 100 терминов на запрос, которые модель обязана распознать без ошибок (названия продуктов, медицинская лексика, аббревиатуры).
- «Чистый» текст на выходе: числа, даты, суммы, телефоны и email приводятся в стандартном письменном виде, слова-паразиты («эм», «э-э») удаляются.
- Определение конца реплики — полезно для голосовых агентов, чтобы не перебивать собеседника.
В анонсе заявлена поддержка оценок уверенности (confidence scores) для каждого слова, однако в текущей версии API это поле пока отсутствует. Разработчикам, для которых это критично, рекомендуется проверить доступность функции на своих данных.
Цены и доступность для разработчиков
Тарификация осталась прежней: 0,10 $/час для пакетной и 0,20 $/час для потоковой расшифровки. Все перечисленные выше функции включены в базовую стоимость. По расчетам независимого рейтинга Artificial, это составляет около 1,67 доллара за тысячу минут — один из самых низких цен на рынке среди моделей сравнимого качества.
Модель уже доступна в Speech-to-Text API под именем grok-voice-transcribe-2.0. Пока по умолчанию API возвращает первую версию, но в ближайшие недели вторая станет основной, а первая будет отключена. Тем, кто уже подключён, прирост точности придёт автоматически — без изменений в коде. Протестировать версию 2.0 уже сейчас можно в консоли разработчика console.x.ai, явно указав имя модели в запросе. API принимает файлы до 500 МБ в 12 форматах (MP3, WAV, OGG, MP4, M4A и др.). Оплата с российских карт не поддерживается — нужна зарубежная карта. Готового потребительского приложения нет: это инструмент для встраивания в собственные продукты и автоматизацию.
Первый крупный кейс: Atlassian, Loom и Cursor
Флагманским клиентом на старте стала Atlassian. Компания перевела на Grok Voice Transcribe 2.0 расшифровку всех видео в сервисе Loom — платформе для коротких записи экрана. По словам старшего вице-президента Atlassian Санчана Саксены, новая модель оказалась точнее предыдущего решения. Сценарий использования демонстрирует силу интеграции: разработчик надиктовывает план изменений в Loom, расшифровка автоматически уходит в редактор кода Cursor, а тот предлагает правки в кодовой базе.
Grok отвечает за распознавание речи в Loom, Cursor превращает его в код, и мы замыкаем цикл от контекста до кода. Записываешь, что имеешь в виду, и работа сделана.
Такой подход — от голоса к рабочему коду без ручного копирования — может стать стандартом для команд, практикующих голосовое документирование и код-ревью.
Бенчмарки: лидерируем в стриминге, в топ-5 по файлам
SpaceXAI приводит два набора результатов. Во-первых, внутренние тесты на четырёх наборах реальных записей (звонки в поддержку, диалоги с Grok, диктовка учётных данных, короткие фразы для ассистента). На всех четырёх вторая версия превзошла первую, а на телефонии, по словам компании, обошла все протестированные конкурентские модели. Единственная точная цифра в пресс-релизе: доля ошибочно распознанных слов (WER) на коротких фразах на 19 языках упала с 20,6% до 6,8%.
Во-вторых, независимый рейтинг Artificial. В категории потоковой расшифровки (streaming) Grok Voice Transcribe 2.0 заняла первое место среди 32 моделей по точности. В категории пакетной обработки готовых файлов (batch) результат — 2,3% WER и пятое место из 61. Впереди оказались модели Alibaba, Microsoft и ElevenLabs с показателями от 1,7% до 2,2%. Вывод: в реальном времени Grok лидирует, в обработке записей — уверенно входит в группу лидеров.
Русский язык и практические рекомендации
Русский включен в список из 25 поддерживаемых языков. Модель сама определяет язык записи и переключается, если собеседник меняет язык посреди разговора. Однако громкие цифры по снижению ошибок получены преимущественно на английском. Отдельных публичных бенчмарков по русскому пока нет. Поэтому перед миграцией русскоязычных потоков стоит прогнать несколько своих файлов и сравнить качество с текущим решением.
Для владельцев контента, блогеров и медиа экономика выглядит привлекательно: расшифровка часового интервью или вебинара стоит десять центов. Это делает автоматический перевод видео в статьи, субтитры и конспекты практически бесплатным. Особенно выгодно при больших объёмах — например, при архивировании стримов или обработке записей конференций.
Ниша, где Grok Voice Transcribe 2.0 силен больше всего
В пакетной обработке идеальных файлов модель уступает абсолютным лидерам. Но её сила — в условиях, приближенных к реальной телефонии: плохой звук, шум, акценты, набор цифр и адресов. Ошибка в одной цифре телефона или email может стоить потери клиента или сделки. В сочетании с низкой ценой и богатым функционалом «из коробки» это создаёт серьёзное конкурентное преимущество для колл-центров, голосовых ботов и систем автоматизации поддержки. Ближайшие недели покажут, как модель поведёт себя на чужих данных, когда версия 2.0 станет дефолтной для всех клиентов API.
Итог
Grok Voice Transcribe 2.0 — это зрелый, готовый к продакшену инструмент для разработчиков, которым нужна качественная расшифровка «грязного» звука по адекватной цене. Лидерство в стриминге, поддержка русского, встроенная диаризация, таймкоды и пользовательские словари делают его сильным игроком на рынке Speech-to-Text. Главный риск — отсутствие независимых замеров по русскому и пока недоступные confidence-scores. Но для задач телефонии, голосовых ассистентов и массовой обработки контента решение уже сейчас выглядит одним из лучших по соотношению цена/качество.