Grok Voice Transcribe 2.0 kutter ordfeilraten fra 20,6 til 6,8 prosent på korte kommandoer

Fra 20,6 til 6,8 prosent ordfeilrate er tallet SpaceXAI legger mest vekt på. Det gjelder selskapets interne sett med korte, flerspråklige kommandoer, altså den typen ytringer en stemmeassistent i en bil eller en høyttaler får, der modellen har lite kontekst å identifisere språket ut fra. Grok Voice Transcribe 2.0 ble sluppet 18. september og oppgis å være dobbelt så nøyaktig som 1.0 til nøyaktig samme pris.

SpaceXAI plasserer modellen først på nøyaktighet blant 32 strømmemodeller på den offentlige Artificial Analysis-listen. Utover den ene rangeringen er tallene selskapets egne: fire interne sett hentet fra produksjonstrafikk, altså telefonilyd fra kundeservice, samtaler med Grok, oppleste kontonumre og e-postadresser, og korte kommandoer på 19 språk. På telefoni oppgir selskapet at modellen leder foran alle de testet.

Prisen står stille: 0,10 dollar per time lyd i batch og 0,20 dollar per time i sanntidsstrøm, med taleradskilling, tidsstempler og konfidens per ord, og opptil 100 nøkkelbegreper per forespørsel inkludert. Eksisterende integrasjoner mot Speech-to-Text-API-et får forbedringen uten kodeendringer. Modellen tar opptil åtte kanaler uavhengig, fjerner fyllord og oppdager når en taletur er slutt.

«Med Grok bak Looms tale-til-tekst og Cursor som gjør det om til kode, lukker vi sløyfen fra kontekst til kode: ta opp det du mener, og arbeidet blir gjort.» Sanchan Saxena, SVP for Teamwork Collection i Atlassian

Atlassian bruker modellen til å transkribere Loom-opptak, og eksempelet de trekker fram er å spille inn en handlingsplan i Loom og sende transkripsjonen rett inn i Cursor.

Hva bør du gjøre?

1. Kjører du mot Speech-to-Text-API-et uten å spesifisere versjon, får du 2.0 automatisk når den blir standard. Test på din egen lyd før det skjer.
2. Trenger du 1.0 en stund til, lås deg til «grok-voice-transcribe-1.0» i kallene dine nå, ikke når utfasingen er i gang.
3. Bruker du domenespesifikke navn eller koder, legg dem inn som nøkkelbegreper. Det er inkludert i prisen og er det billigste grepet mot feiltranskriberte produktnavn.