Grok Voice Transcribe 2.0 – xAI 推出的高精度语音转写模型

Grok Voice Transcribe 2.0是一款由xAI于2026年9月推出的实时语音转写模型，主要用于电话客服、会议记录与多语言音频的批量与流式转写，支持词级时间戳与置信度、说话人分离、最多 8 声道与每请求 100 个关键术语偏置，适用于客服质检、内容字幕与语音智能体等场景。

Grok Voice Transcribe 2.0 的核心能力

这款模型面向真实环境里的「难录音」。作为 AI 大模型 中竞争最直接的垂直品类之一，转写差距很少出现在录音棚，而是集中在电话线路、多人交替与专有名词密集的音频上。

四组内部评测的词错率同步下降

xAI 用四组来自生产流量的内部评测集衡量词错误率：客服电话音频（8 kHz 英语）、与 Grok 的对话、口述凭证（账号、邮箱与地址），以及 19 种语言的语音助手短句。四项相比上一代全部下降，跌幅最大的是多语言短句，也对应官方所说的「最大的提升来自多语言」。

Artificial Analysis 流式榜单的准确率位置

在公开的 Artificial Analysis 排行榜上，该模型在 32 个流式转写模型中准确率排名第一。官方还给出「准确率—价格」散点：横轴每千分钟单价、纵轴词错误率，越靠右上越优。要在自有音频上复现该结论，建议用同一批真实录音分别跑 1.0 与 2.0，比较错字分布而不是只看总分。

说话人分离、时间戳与术语偏置

这些配置项不额外收费：每个词都有起止时间与置信度；说话人分离为每位发言者打标签；最多 8 声道独立转写；每次请求可注入 100 个领域术语，用于产品名与医学术语；数字、日期、货币与邮箱地址统一转成书面形式，填充词可自动剔除。语音智能体还可开启智能轮次检测判断发言结束。

多语言与自动语言检测

模型可转写数十种语言，自动检测语种，并在单次处理中跟随录音中途的语言切换。官方短句评测覆盖 19 种语言，给出 6.8％ 的词错误率。

Atlassian Loom 的规模化落地

Atlassian 已把该模型用于 Loom 的全部视频转写，理由是比原有方案更准确。由此串起的工作流颇有代表性：在 Loom 里录下行动方案，转写文本直接进入 Cursor 生成代码改动——录制即交付。

Grok Voice Transcribe 2.0 与同类语音转写模型的对比

转写能力的真实差距要看生产环境音频。以下对比数值取自 xAI 官方发布材料的内部评测图表，四组数据集均来自生产流量抽样。

四组数据放在一起看，Grok Voice Transcribe 2.0 在客服电话与对话场景上的优势最明显：7.1％ 与 3.3％ 的词错误率比 Gemini 3.5 Transcribe 的 15.9％、5.7％ 分别低了 8.8 与 2.4 个百分点，也优于 MAI-Transcribe-2 的 9.3％、7.0％。口述凭证是唯一被反超的一项——MAI-Transcribe-2 以 2.6％ 领先 3.2％；多语言短句则以 6.8％ 略优于 ElevenLabs Scribe v2 的 7.1％。需说明的是，以上数值均为 xAI 内部评测集口径，其他厂商未在同一组数据上公布结果。

同赛道还有一条以流式音频理解为切入点的路线：Muse Voice Transcribe（Meta 推出的实时音频感知与流式语音转写模型，支持 20 余名说话者分轨与超过 1 小时的长音频，发布时曾在 Artificial Analysis 流式转写榜登顶）。把它与本模型放在一起看，更容易判断榜首更替发生在哪几个指标上。

Grok Voice Transcribe 2.0 的应用场景与适用人群

该模型面向音频质量不可控、又需要结构化转写结果的生产场景：

• 客服与呼叫中心质检：8 kHz 电话音频是公认难点，7.1％ 的词错误率配合说话人分离，可直接支撑通话摘要、合规抽检与工单归档。
• 会议与访谈记录：词级时间戳与置信度能定位到具体句子，低置信段落便于人工复核，长音频无需切片即可整段处理。
• 视频字幕与内容转写：批量接口支持文件与 URL，Loom 的实践说明转写结果可以直接进入下游工作流，而不只是留档。
• 语音智能体与车机交互：智能轮次检测与 100 个术语偏置适合命令词密集的场景，多语言短句提升也直接作用于车内指令。

适用人群：需要在真实音频上做转写的工程团队；客服、会议与内容平台的产品负责人；以及正在比对各家转写 API 单价与词错误率、准备切换供应商的技术决策者。

Grok Voice Transcribe 2.0 的使用方法

模型通过 xAI 的 Speech-to-Text API 提供，已有集成无需改代码：

1. 获取密钥：在 Grok Voice Transcribe 2.0 官方公告 页进入 API 控制台创建密钥，确认可访问 grok-voice-transcribe-2.0。
2. 选择转写方式：录制文件与 URL 走批量接口（单文件上限 500 MB），实时音频走 WebSocket 流式接口，地址为 wss://api.x.ai/v1/stt。
3. 打开配置项：说话人分离、词级时间戳、8 声道与术语偏置都可直接启用且不额外计费，术语偏置每请求最多 100 个。
4. 安排迁移：2.0 将很快成为 API 默认版本，1.0 会在数周内弃用；过渡期如需留在旧版，可固定 grok-voice-transcribe-1.0。

跨语言录音建议先开自动语言检测跑一遍，确认中途切换语言的分段符合预期，再把回调逻辑绑到语言标签上。

Grok Voice Transcribe 2.0 的价格与开源情况

Grok Voice Transcribe 2.0 的定价与上一代完全一致：批量转写 0.10 美元每音频小时，流式转写 0.20 美元每音频小时，说话人分离、时间戳与术语偏置都包含在内，不额外计费。按官方给出的对比，这一档位低于同批列出的 ElevenLabs Scribe v2（0.22 与 0.39 美元）与 Deepgram Nova-3（0.26 与 0.46 美元），属于「精度提升但不涨价」的定价策略，对长音频批处理客户尤其明显。

权重方面，该模型为闭源商用模型，只通过 API 提供服务，不支持本地部署，也不提供权重下载。这一取向与 xAI 其他音频产品一致：说话人分离这类需在服务端会话中配置的能力只在托管接口开放。对数据出域敏感的团队需在接入前评估音频数据的合规路径。

Grok Voice Transcribe 2.0 的常见问题