SpaceXAI lança Grok Voice Transcribe 2.0: transcrição de fala 2x mais precisa pelo mesmo preço

O que é o Grok Voice Transcribe 2.0

A SpaceXAI (empresa por trás do assistente Grok) lançou o Grok Voice Transcribe 2.0, a nova versão do seu modelo de fala-para-texto (STT). Segundo a empresa, ele é duas vezes mais preciso que a versão 1.0, mantendo o mesmo preço. O modelo foi desenhado para o áudio difícil: linhas telefônicas com ruído, vozes sobrepostas, sotaques regionais e credenciais faladas (números de telefone, e-mails e endereços).

Está disponível hoje, apenas como API hospedada, sob o ID de modelo grok-voice-transcribe-2.0, nos modos batch (lote) e streaming em tempo real. A SpaceXAI não anunciou pesos abertos — ou seja, não dá para fazer self-hosting por enquanto.

De onde vem o modelo

O 2.0 é construído sobre o modelo de fundação de áudio por trás do Grok Voice. A empresa afirma que o Grok Voice já processa dezenas de milhares de chamadas de suporte ao cliente por dia, transcreve milhões de horas de narração de vídeo e roda o assistente Grok em veículos da Tesla. O treinamento usou áudio real, ruidoso e multilíngue, gravado em ambientes diversos, refinado depois com pós-treinamento.

Benchmarks: o que a SpaceXAI reporta

A empresa relata o primeiro lugar em precisão entre 32 modelos de streaming no leaderboard público Artificial Analysis (AA-WER Streaming, cerca de 8 horas de áudio). Também mede a taxa de erro de palavra (WER) em quatro conjuntos internos extraídos do tráfego de produção:

• Telefonia (8 kHz): chamadas de suporte ao cliente em inglês.
• Conversacional: conversas em inglês com o Grok.
• Credenciais: telefones, e-mails e endereços em inglês.
• Frases curtas: comandos de assistente de voz em 19 idiomas.

A versão 2.0 melhora em relação à 1.0 nos quatro conjuntos. Em frases curtas — onde há pouco contexto para identificar o idioma — o WER cai de 20,6% para 6,8%, cerca de 67% menos erros de palavra. A SpaceXAI descreve a precisão multilíngue como o maior avanço sobre a 1.0. Vale o alerta: esses números internos são reportados pelo fornecedor e não foram reproduzidos de forma independente.

Recursos para desenvolvedores

Tudo chega pela mesma API:

• Batch e streaming: transcreva arquivos e URLs, ou transmita áudio via WebSocket em wss://api.x.ai/v1/stt.
• Timestamps por palavra: início, fim e confiança de cada palavra.
• Diarização de falantes: rótulos de falante sem custo adicional.
• Multicanal: até 8 canais transcritos de forma independente.
• Viesamento de termos-chave: até 100 termos de domínio por requisição, de até 50 caracteres cada.
• Formatação de texto: números, datas, moedas, telefones e e-mails em formato escrito — em 25 idiomas.
• Remoção de palavras de preenchimento: “um” e “uh” são removidos por padrão.
• Smart Turn: um modelo detecta o fim de turno para agentes de voz.

O endpoint batch aceita arquivos de até 500 MB em 12 formatos de áudio. O streaming também aceita Opus a ~4 KB/s, contra ~48 KB/s do PCM cru a 24 kHz.

Preço

O preço é idêntico ao da versão 1.0. A transcrição em lote custa US$ 0,10 por hora de áudio; o streaming custa US$ 0,20 por hora. Diarização, timestamps e termos-chave estão incluídos — o que dá cerca de US$ 1,67 e US$ 3,33 a cada 1.000 minutos, respectivamente.

Como chamar

curl -X POST https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-voice-transcribe-2.0 \
  -F format=true \
  -F language=en \
  -F "keyterm=Entenda o Universo" \
  -F [email protected]

Um detalhe importante: requisições que omitem model ainda resolvem para a versão 1.0 hoje — defina o modelo explicitamente.

Adoção: Atlassian Loom

O Atlassian Loom passou a usar o Grok Voice Transcribe 2.0 para transcrever todos os vídeos, após achar o modelo mais preciso que a solução anterior. O fluxo descrito pela SpaceXAI é gravar, transcrever e codificar: o usuário grava um plano de ação no Loom, a transcrição é enviada ao Cursor, que faz as atualizações de código. Sanchan Saxena, SVP da Atlassian, descreveu o processo como “fechar o ciclo do contexto ao código”.

Resumo

• Grok Voice Transcribe 2.0 reivindica 2x a precisão do 1.0, com preço inalterado.
• Lote custa US$ 0,10 por hora de áudio; streaming, US$ 0,20.
• SpaceXAI reporta 1º lugar entre 32 modelos de streaming no Artificial Analysis.
• O WER em frases curtas em 19 idiomas caiu de 20,6% para 6,8%.
• É somente API — defina model=grok-voice-transcribe-2.0 explicitamente por enquanto.