SpaceXAI（xAI）于当地时间 9 月 18 日发布了 Grok Voice Transcribe 2.0 语音转文本模型。在保持价格不变的前提下，新版本将词错误率（WER）较上一代降低约一半，并在独立评测榜单 Artificial Analysis 的流式转写准确率排名中位列 32 款模型之首。

准确率登顶流式榜单

根据 Artificial Analysis 的 AA-WER Streaming 评测，Grok Voice Transcribe 2.0 在最终转录结果上的词错误率为 2.7%，而上一代 1.0 版本为 3.9%。在首个部分转录结果上，新版本词错误率从 1.0 的 18.3% 大幅降至 3.4%，响应时间为语音结束后的 0.49 秒。

非流式场景下，2.0 版本的词错误率为 2.3%，在全部 59 款模型中排第 5 位。SpaceXAI 称，该模型在流式转写的准确率上超越了 Meta 的 Muse Voice Transcribe 与 ElevenLabs 的 Scribe v2 Realtime 等竞争对手。

四项内部测试全面领先

除公开榜单外，SpaceXAI 基于线上实际业务采样了四个内部数据集进行系统评测，新版本在四项测试中均全面超越 1.0 版本：8 kHz 客服电话音频词错误率从 10.6% 降至 7.1%；与 Grok 的日常英语对话从 8.7% 降至 3.3%；人名、邮箱、地址等口述信息从 7.2% 降至 3.2%；覆盖 19 种语言的简短语音指令从 20.6% 降至 6.8%。

SpaceXAI 表示，Grok Voice 底层音频基础模型目前已全面赋能实际业务：每天承接数万通客服电话，转录数百万小时视频旁白，并为实体硬件中的语音智能体提供支撑，其中包括特斯拉车辆搭载的 Grok 助手。企业协作软件商 Atlassian 已在旗下 Loom 录屏平台中采用该模型，用于为 Cursor 等编码工具生成可落地的开发口述转录。

价格不变，功能加码

Grok Voice Transcribe 2.0 的定价与 1.0 版本完全一致：批量转录为每小时音频 0.10 美元（现汇率约合 0.67 元人民币），实时流式转录为每小时 0.20 美元（现汇率约合 1.3 元人民币）。说话人分离、精确时间戳以及自定义关键词功能均已包含在内，无需额外付费。

新版本新增了多项能力：带置信度评分的逐词时间戳、最多 8 通道的独立转录、智能语音分段检测，以及每次请求最多可传入 100 个领域专属词汇的关键词偏置，用以提升专有名词与术语的识别率。开发者可通过 SpaceXAI 的语音转文本接口调用，批量请求支持最大 500 MB 文件，流式请求通过 WebSocket 端点传输。

SpaceXAI 表示，1.0 版本将在未来数周内逐步弃用，2.0 版本将接任默认模型；过渡期内开发者仍可通过指定版本号继续使用旧接口。对现有集成而言，切换到 2.0 无需修改代码。