SpaceXAI 发布 Grok Voice Transcribe 2.0

xAI 在 2026 年 9 月 18 日的官方博客中发布 Grok Voice Transcribe 2.0，定位为“最新语音转文字模型”，宣称具备“无与伦比的准确率与成本效益”。官方给出的核心量化主张是：在其真实世界评测中，2.0 的准确率是 Grok Voice Transcribe 1.0 的两倍，而价格保持不变。

这不是一次孤立的产品更新，而是一次默认路径的切换：官方明确表示 2.0 将很快成为语音转文字 API 的默认版本，1.0 将在未来数周内被弃用；若开发者希望过渡期内继续使用旧版，需要显式固定 grok-voice-transcribe-1.0。对已接入该 API 的团队而言，这意味着准确率提升无需改代码即可获得，但也意味着旧版本的退出有明确时间窗口。

官方援引的公开证据是 Artificial Analysis 榜单：Grok Voice Transcribe 2.0 在 32 个流式模型中准确率排名第一。需要注意的是，这是 xAI 对第三方榜单结果的引用，本文未独立核验该榜单的评测方法、时间点与模型集合。

内部评测方面，xAI 称在四类取自生产流量的数据集上，2.0 相对 1.0 全面改善：客服电话音频（8 kHz、英语）、与 Grok 的对话（英语）、朗读凭证如账号码与邮箱地址（英语）、以及 19 种语言的短语音指令。官方特别指出，在电话音频上 2.0 领先其测试过的所有模型。

最能体现“真实世界音频”定位的数字是短指令集：词错误率从 1.0 的 20.6% 降至 6.8%。官方解释称，车内指令这类短句给模型的语言识别上下文极少，因此改善空间最大；同时官方称多语言是 2.0 相对 1.0 的最大提升，可转录数十种语言、自动检测语言，并在单次处理中跟随录音中途的语言切换。

功能层面，2.0 支持批处理与流式两种模式，可转录录音文件与 URL，也可实时转录音频流；提供词级时间戳（含起止时间与置信度）、说话人分离（不额外收费）、最多 8 通道独立转录、每次请求最多 100 个领域术语的关键词偏置、数字/日期/货币/电话/邮箱的书面化格式、填充词移除，以及面向语音代理的智能轮次检测。

价格是这次发布中最容易被验证的约束：官方称 2.0 定价与 1.0 完全相同，批处理为每音频小时 0.10 美元，流式为每音频小时 0.20 美元，说话人分离、时间戳与关键词均包含在内。官方同时称 2.0 构建于支撑 Grok Voice 的音频基础模型之上，训练数据为跨多种环境录制的真实、嘈杂、多语言音频，并经过后训练精调。

官方给出的客户案例是 Atlassian Loom：Atlassian 发现 Grok Voice Transcribe 2.0 在转录 Loom 视频时比其现有方案更准确。官方还描述了一条工作流——在 Loom 中录制行动计划，把转录文本接入 Cursor，由后者直接完成代码更新；Atlassian 团队协作产品高级副总裁 Sanchan Saxena 的引语称，这“闭合了从上下文到代码的循环”。

需要区分事实与主张：上述准确率对比、榜单排名、内部评测数字与“两倍准确率”均来自 xAI 官方博客，属于来源主张，本文未做独立验证；Loom 的“更准确”同样是官方转述的客户说法，未给出具体指标或对比基线。

此外，官方称 Grok Voice 已支撑每天数万次客服通话、转录数百万小时视频旁白，并运行于实体产品中的语音代理（包括特斯拉车辆中的 Grok 助手）。这些规模数字同样来自官方，缺乏第三方核验；而 1.0 弃用的具体日期、2.0 默认切换的确切时点，官方仅表述为“很快”与“未来数周”，存在时间上的不确定性。

把上述信息串起来，2.0 的竞争叙事并不在“干净单说话人音频”上，而在电话线路不稳、多人抢话、地方口音、以及朗读电话号码或邮箱等最难的真实场景。官方称多数转录模型在干净音频上表现良好，而 2.0 是为最难音频构建的——这是其定位的核心，也是内部评测选择客服电话、凭证朗读等数据集的原因。

对开发者而言，可操作的结论有两条：一是准确率提升对现有语音转文字 API 集成无需改代码即可生效；二是若依赖 1.0 的行为，需要在弃用前固定旧模型版本。至于“两倍准确率”“榜单第一”等说法能否在自有数据上复现，仍取决于各团队的实际音频分布，官方数据只能作为参考而非保证。