xAI Grok Voice Transcribe 2.0：语音转文字模型发布说明及新特性

xAI 于 2026 年 9 月 18 日发布了 Grok Voice Transcribe 2.0，这是一款语音转文字模型，公司称其在相同价格下准确度是 Grok Voice Transcribe 1.0 的两倍。此次发布意义重大，因为它针对的是最棘手的真实世界音频——嘈杂的电话语音、多人说话、口音和多语言语音——同时保持现有的语音转文字 API 集成无需更改任何代码即可继续使用。

Grok Voice Transcribe 2.0 是什么

Grok Voice Transcribe 2.0 是 xAI 最新的语音转文字模型，构建在支持 Grok Voice 的音频基础模型之上。据 xAI 称，Grok Voice 每天已为数万个客户支持通话提供支持，转录数百万小时的视频解说，并在实体产品中运行语音代理，包括特斯拉车辆中的 Grok 助手。

该模型基于 xAI 所称的独特数据集进行训练，该数据集包含在不同环境中录制的实时、嘈杂、多语言音频，随后经过后期训练进行优化。xAI 将这一成果定位为在真实世界场景中语音转录最准确的模型之一。

准确度：在 Artificial Analysis 的 32 个流式模型中排名第一

在公开的 Artificial Analysis 排行榜上，Grok Voice Transcribe 2.0 在 32 个流式模型中准确度排名第一。这是 xAI 报告的公开基准测试排名。

xAI 还在来自生产流量的四个内部数据集上测量了词错误率：

来自客户支持通话的电话音频
与 Grok 的对话
口头凭据，如账户代码和电子邮件地址
简短的多语言语音命令

Grok Voice Transcribe 2.0 在全部四个内部数据集上均优于 Grok Voice Transcribe 1.0，并且在电话音频方面领先于 xAI 测试的所有模型。xAI 的观点是，大多数转录模型在干净、单一说话人的音频上表现良好，而真实世界音频由于电话线路不稳定、多人声音竞争、地方口音以及大声朗读的电话号码或电子邮件地址而更难处理。

多语言转录是最大的改进

Grok Voice Transcribe 2.0 支持转录数十种语言，自动检测语言，并在单次处理中跟随录音中途的语言切换。xAI 表示，多语言准确度是该模型相对于 Grok Voice Transcribe 1.0 的最大改进。

最困难的情况是短短语，例如车内命令，这给模型识别语言的上下文很少。在 xAI 的短短语数据集上，词错误率从 1.0 版的 20.6% 降至 2.0 版的 6.8%。

功能与 API 能力

Grok Voice Transcribe 2.0 支持高级配置和控制。xAI 表示，现有的语音转文字 API 集成无需更改代码即可获得准确度提升。文档记录的功能包括：

批处理和流式处理。 转录录制的文件和 URL，或实时转录音频流。
单词级时间戳。 每个单词都带有精确的开始和结束时间以及置信度分数。
说话人分离。 在转录中标记每个说话人，无需额外费用。
多声道转录。 独立转录多达 8 个声道。
关键术语偏置。 每个请求最多传入 100 个领域术语，例如产品名称或医学术语。
文本格式化。 数字、日期、货币、电话号码和电子邮件地址以书面形式返回。
填充词移除。 从转录中省略诸如“嗯”和“呃”之类的填充词。
智能轮次检测。 为语音代理检测说话人轮次的结束。

Atlassian Loom 使用 Grok Voice Transcribe 2.0

Atlassian Loom 是一款广泛使用的录制和分享屏幕录像的工具，它发现 Grok Voice Transcribe 2.0 比其现有的转录解决方案更准确。xAI 将由此产生的工作流程描述为准确的转录能够支持新的 AI 工作流程：在 Loom 中录制行动计划，将转录内容传输到 Cursor，Cursor 直接进行代码更新。

“我们一直相信，推进工作的最佳方式是捕获一次上下文，并让它流向各处。借助 Grok 支持 Loom 的语音转文字，以及 Cursor 将其转化为代码，我们正在闭环从上下文到代码的链路：录下你的意图，工作就完成了。这让我们得以一窥 AI 辅助开发的未来方向。”

— Sanchan Saxena，Atlassian 团队协作高级副总裁

定价及从 1.0 版迁移

Grok Voice Transcribe 2.0 的定价与 Grok Voice Transcribe 1.0 相同：

批处理转录：每小时代音 $0.10
流式转录：每小时代音 $0.20
分离、时间戳和关键术语均包含在内，无需额外费用

Grok Voice Transcribe 2.0 即将成为语音转文字 API 的默认模型，而 Grok Voice Transcribe 1.0 将在未来几周内弃用。若要在过渡期间继续使用旧模型，请固定使用 grok-voice-transcribe-1.0。

此次发布传递的信号

Grok Voice Transcribe 2.0 是同等价格下的准确度升级，而非新的定价层级，xAI 将其推至语音转文字 API 的默认位置，并在数周内弃用 1.0 版。对电话音频、口头凭据和简短多语言命令的强调表明，该模型针对的是生产环境中的语音工作负载——客户支持、车载助手和语音代理——而非干净的录音室转录。Atlassian Loom 的集成展示了预期的下游模式：转录准确度被视为代理式编码和工作流自动化的输入，而非最终产品。