xAI 发布 Grok Voice Transcribe 2.0，号称流式语音识别准确率第一
xAI 推出 Grok Voice Transcribe 2.0 多语言语音转文本模型，在 Artificial Ana…
xAI 近日宣布推出 Grok Voice Transcribe 2.0，这是一款面向多语言场景的语音转文本（speech-to-text）模型。据官方披露，该模型在第三方评测平台 Artificial Analysis 的流式（streaming）语音识别准确率榜单上位列第一，参评模型共 32 个。这是 xAI 继 Grok 聊天助手、图像生成、语音对话之后，在语音 AI 方向的进一步布局。
榜单表现
根据 xAI 公布的信息，Grok Voice Transcribe 2.0 在 Artificial Analysis 的流式语音识别准确率排名中位列第一，覆盖了 32 个同类模型。不过，官方目前没有披露具体的词错误率（WER）数字，也未说明评估覆盖的语言范围和测试集细节，因此该排名对应的实际能力差距尚待独立验证。
核心功能
Grok Voice Transcribe 2.0 面向实际语音转写场景提供了一组较为完整的功能集合：
- 同时支持批处理（batch）与流式（streaming）两种转写模式
- 说话人分离（speaker diarization），可在多人对话中区分不同说话人
- 多通道转写（multichannel transcription），适配多麦克风输入
- 关键词偏置（key term biasing），可针对专有名词或行业术语提升识别准确率
- 文本格式化与语气词去除（filler word removal），输出更干净的转写文本
- 智能断句检测（smart turn detection），便于对话场景使用
背景与意义
xAI 此前的产品重心集中在 Grok 文本大模型及其聊天应用上，语音能力主要体现在 Grok Voice 对话功能上。Grok Voice Transcribe 2.0 的发布意味着 xAI 开始把语音转文本作为独立的基础能力对外开放，后续可能被集成到 Grok API、第三方应用以及企业级转写服务中。
在当前 Whisper 系列、AssemblyAI、Google Speech-to-Text、Deepgram 等模型与服务的竞争格局下，Grok Voice Transcribe 2.0 以「榜单第一」作为切入市场的卖点，但其在不同语言、长音频、噪声环境下的真实表现，以及定价和开放程度，仍有待后续信息进一步确认。