SpaceXAI 18 września 2026 roku udostępniło Grok Voice Transcribe 2.0, nową generację modelu speech-to-text przeznaczonego do transkrypcji rzeczywistych nagrań. Firma deklaruje około dwukrotnie niższą liczbę błędów niż w poprzedniej wersji przy zachowaniu tej samej ceny. Model został oparty na fundamencie audio rozwijanym dla Grok Voice i trenowany na hałaśliwym, wielojęzycznym materiale z różnych środowisk.
Dla użytkownika końcowego różnica może wyglądać niepozornie – po prostu lepszy zapis rozmowy. W aplikacjach głosowych to jednak podstawowa warstwa całego systemu. Jeśli speech-to-text źle rozpozna nazwę produktu, adres, numer zamówienia albo intencję rozmówcy, nawet najlepszy LLM będzie pracował na błędnych danych.
- Co poprawiono w Grok Voice Transcribe 2.0?
- Jak wypada w niezależnych testach?
- Gdzie dokładniejsze STT ma największe znaczenie?
- Voice AI zależy od jakości pierwszego kroku
Co poprawiono w Grok Voice Transcribe 2.0?
SpaceXAI skupia się przede wszystkim na sytuacjach, w których klasyczna transkrypcja ma najwięcej problemów: hałas, różne akcenty, rozmowy wielojęzyczne i nagrania pochodzące z rzeczywistych urządzeń. Model powstał na bazie technologii audio wykorzystywanej w Grok Voice, który obsługuje już połączenia customer support, narrację wideo i agentów głosowych w produktach fizycznych.
To nie jest więc wyłącznie model do przepisywania czystego nagrania ze studia. Celem jest transkrypcja rozmowy prowadzonej przez telefon, w samochodzie, w biurze albo innym środowisku, w którym jakość audio zmienia się z sekundy na sekundę.
Jak wypada w niezależnych testach?
| Model | AA-WER | Cena za 1000 min |
|---|---|---|
| Grok Voice Transcribe 2.0 | 2,3% | 1,67 USD |
| Grok Voice Transcribe 1.0 | 4,0% | 1,67 USD |
Artificial Analysis raportuje obecnie AA-WER na poziomie 2,3% dla wersji 2.0 wobec 4,0% dla poprzednika. Niższy Word Error Rate oznacza mniej błędnie rozpoznanych słów, ale wyniku nie należy traktować jako gwarancji dla każdego języka i każdego nagrania. Skuteczność STT silnie zależy od jakości audio, akcentu, słownictwa specjalistycznego i warunków nagrania.
Gdzie dokładniejsze STT ma największe znaczenie?
- AI do transkrypcji rozmów – spotkania, wywiady, podcasty i rozmowy telefoniczne.
- Voiceboty i agenci głosowi – prawidłowe przekazanie wypowiedzi do modelu językowego.
- Call center – analiza dużej liczby połączeń i automatyczne tworzenie notatek.
- Napisy i wideo – szybkie przygotowanie tekstu z materiału audio lub filmu.
- Produkty głosowe – urządzenia i aplikacje reagujące na naturalną mowę w hałaśliwym otoczeniu.
Jeśli interesuje Cię cały stos voice AI, warto zestawić transkrypcję z innymi elementami systemu. Opisywaliśmy wcześniej Grok Voice Agent Builder, który pozwala budować agentów telefonicznych, oraz Grok Voice Think Fast 2.0, gdzie model pracuje bezpośrednio w architekturze speech-to-speech.
Voice AI zależy od jakości pierwszego kroku
W tradycyjnej architekturze głosowej mowa jest najpierw zamieniana na tekst, następnie analizowana przez LLM, a odpowiedź ponownie zamieniana na głos. Każdy błąd na początku trafia więc do kolejnego etapu. To dlatego poprawa speech-to-text nie jest wyłącznie zmianą jakości napisów – wpływa na całe doświadczenie rozmowy z agentem.
Grok Voice Transcribe 2.0 pokazuje też, że konkurencja w voice AI coraz mocniej dotyczy wyspecjalizowanych modeli, a nie tylko ogólnych LLM. Warto śledzić frazy AI do transkrypcji audio, speech-to-text, AI do call center, model STT do voicebota i najlepsze AI do transkrypcji.
Źródła
News został przygotowany na podstawie oficjalnej informacji SpaceXAI oraz niezależnych pomiarów Artificial Analysis porównujących jakość i koszt modeli speech-to-text.
