Grok Voice Transcribe 2.0 vs GPT Transcribe: stesso prezzo per lo streaming, precisione diversa

La coincidenza è quasi troppo perfetta. Nella classifica AA-WER Streaming di Artificial Analysis, Grok Voice Transcribe 2.0 e GPT Live Transcribe — l'endpoint di trascrizione in streaming — sono entrambi indicati esattamente a 3,33 $ per 1.000 minuti di audio. Grok Voice Transcribe 2.0 di SpaceXAI, rilasciato il 18 settembre 2026, restituisce una trascrizione finale con un tasso di errore sulle parole del 2,7%, 0,49 secondi dopo la fine del parlato, e un primo risultato parziale al 3,4%. GPT Live Transcribe, distribuito insieme a GPT Transcribe il 28 luglio 2026, restituisce la trascrizione finale al 3,9% e il primo risultato parziale al 6,3%. Stesso prezzo, con circa 1,2 punti di accuratezza in più sulla trascrizione finale e 2,9 punti di accuratezza in più sulla trascrizione parziale a favore di SpaceXAI. Il lato batch dello stesso confronto non è affatto una coincidenza: GPT Transcribe costa 4,50 $ per 1.000 minuti contro 1,67 $ di Grok Voice Transcribe 2.0, un divario del 63% sul percorso dei file registrati.

Due scommesse diverse su come migliora la trascrizione

La risposta di OpenAI all'accuratezza è il contesto. GPT Transcribe e GPT Live Transcribe accettano entrambi prompt in forma libera, elenchi di parole chiave ed elenchi di lingue previste, e nelle sessioni Realtime i turni trascritti in precedenza vengono reinseriti come contesto per quelli successivi. Sul benchmark Context Aware ASR di OpenAI, tale condizionamento ha innalzato l'accuratezza semantica di GPT Live Transcribe dal 38,5% al 44,6% — un dato riportato dal fornitore, che misura se il significato è sopravvissuto anziché se le parole erano corrette. Lo scambio che OpenAI offre è esplicito: fornisci al modello informazioni su ciò che sta per ascoltare, e trascriverà il tuo dominio meglio di quanto farebbe un modello generico con la stessa accuratezza grezza.

La risposta di SpaceXAI è il modello stesso. Grok Voice Transcribe 2.0 ha effettivamente un meccanismo di bias — fino a 100 termini chiave per richiesta, ciascuno fino a 50 caratteri — ma è un elenco di vocaboli, non un prompt. Puoi dirgli che "OrcaRouter" e "Kubernetes" sono parole reali; non puoi dargli un paragrafo che spieghi che si tratta di una chiamata al supporto riguardo a un rimborso. Il miglioramento dell'accuratezza nella 2.0 deriva invece dal riaddestramento: sui set di valutazione derivati dalla produzione di SpaceXAI stessa, il tasso di errore sulle parole è sceso dall'8,7% al 3,3% sull'audio conversazionale, dal 10,6% al 7,1% sulla telefonia a 8 kHz, dal 7,2% al 3,2% sulle credenziali pronunciate e dal 20,6% al 6,8% sui comandi brevi in 19 lingue. Questi sono i numeri dell'azienda sull'audio dell'azienda, non riprodotti da nessuno al di fuori di essa, e descrivono un modello che è migliorato sul problema acustico piuttosto che uno che è migliorato nel ricevere indicazioni su cosa aspettarsi.

La differenza pratica si manifesta nella seconda ora di lavoro. Un modello condizionato dal contesto può essere drasticamente migliore di quanto suggerisca il suo benchmark grezzo, perché sei tu a fornire il vocabolario e il dominio. Può anche allucinare le parole chiave che hai fornito: inserisci "OrcaRouter" nel prompt e un modello che non riesce a sentire chiaramente la parola potrebbe comunque produrla. Un modello con bias sui termini chiave degrada in modo più graduale, perché il bias sposta la probabilità di un termine invece di affermare che sia presente. Nessuna delle due modalità di errore compare in una classifica, ed entrambe compariranno nei tuoi log.

I numeri, fianco a fianco

• Accuratezza finale della trascrizione (streaming) — Grok Voice Transcribe 2.0 al 2,7% di WER rispetto a GPT Live Transcribe al 3,9% su AA-WER Streaming, entrambi secondo Artificial Analysis

• Accuratezza parziale iniziale (streaming) — 3,4% vs 6,3%, il divario più ampio del confronto e quello che determina il comportamento dell'agente vocale

Tempo fino alla trascrizione finale — 0,49 s contro 0,81 s dopo la fine del discorso, quindi il modello più accurato è anche il più veloce a finalizzare

• Tempo al primo parziale — 0,49 s vs 0,26 s, l'unica colonna di latenza in cui OpenAI vince nettamente

• Prezzo in streaming — $3,33 per 1.000 minuti per entrambi, normalizzato da Artificial Analysis dai $0,20/ora di Grok e dai $0,017/minuto di OpenAI

• Accuratezza batch (non in streaming) — Grok Voice Transcribe 2.0 al 2,3% di AA-WER rispetto a GPT Transcribe al 3,31%

• Prezzo batch — 1,67 $ per 1.000 minuti rispetto a 4,50 $ per 1.000 minuti, da 0,10 $/ora contro 0,0045 $/minuto

• Throughput batch — circa 162× il tempo reale rispetto a circa 41× sulla stessa scheda

Leggi quella lista come due colonne piuttosto che come un unico verdetto. OpenAI vince sulla latenza del primo parziale con un margine netto e offre un meccanismo di contesto che Grok non ha. SpaceXAI vince con un ampio margine sull'accuratezza finale in entrambe le modalità, sull'accuratezza parziale in streaming, sul throughput e sul prezzo batch. Non c'è alcuna colonna in cui GPT Live Transcribe sia contemporaneamente più veloce e più accurato di Grok Voice Transcribe 2.0; ce n'è una in cui è più veloce, ed è la prima.

Su quale percorso batch ti trovi effettivamente?

Lo scarto tra $1,67 e $4,50 è il numero meno ambiguo qui, e vale la pena essere precisi sul perché esista. OpenAI ha ridotto del 25% il prezzo di questa linea di prodotti quando ha lanciato GPT Transcribe, rispetto all'era di GPT-4o Transcribe, e il risultato è stato $0,0045 al minuto. SpaceXAI ha lasciato invariata la sua tariffa batch a $0,10 all'ora quando è passata dalla versione 1.0 alla 2.0 — ha migliorato il modello e ha applicato lo stesso prezzo, cosa più difficile da fare e segnale migliore di dove stia andando il mercato. MAI-Transcribe-2 di Microsoft è arrivato allo stesso identico $0,10 all'ora come offerta a tempo limitato, quindi il valore di $1,67 per 1.000 minuti è diventato il livello minimo dei laboratori di frontiera per la trascrizione batch, più che un numero promozionale di un singolo fornitore.

A diecimila ore di audio al mese, quel divario è di circa $2.830 contro $450. Per un archivio di podcast, un arretrato di registrazioni di chiamate o una libreria multimediale trascritta a posteriori, la differenza di prezzo fa impallidire qualsiasi differenza di accuratezza tra il 2,3% e il 3,31% di WER. Per un agente in streaming, dove i due prodotti costano lo stesso, accuratezza e latenza sono le uniche cose rimaste di cui discutere.

C'è una differenza strutturale dietro queste tariffe che vale la pena nominare: Grok Voice Transcribe 2.0 fattura una tariffa fissa per ora di audio, e GPT Live Transcribe fattura al minuto, ma Gemini 3.5 Transcribe Live fattura per token sia sull'input audio sia sull'output testuale. Solo uno di questi tre rende la tua fattura una funzione di ciò che il modello sceglie di dire. Se il tuo volume è abbastanza grande da rendere importante la previsione, le tariffe fisse sono più facili da giustificare a chi firma la fattura — e poiché OrcaRouter trasmette i prezzi di listino dei fornitori con 0% di ricarico, un taglio lato fornitore come il 25% di OpenAI sarebbe attivo dalla nostra parte lo stesso giorno in cui viene annunciato, non al rinnovo successivo.

Ciò che nessuno dei due modelli è

GPT Transcribe e GPT Live Transcribe sono due prodotti, non uno con un interruttore. Il modello batch gestisce file completati, trascrizioni di file in streaming e turni confermati nelle sessioni Realtime, ed elabora l'audio circa 34 volte più velocemente del tempo reale secondo i dati di OpenAI — Artificial Analysis misura 41× sul proprio banco di prova. Il modello streaming è quello più costoso, a 0,017 $ al minuto, e quello con un tasso di errore 10× maggiore sui parziali. Scegliere OpenAI significa scegliere quale dei due problemi si ha, perché l'endpoint meno costoso non può svolgere il lavoro dell'altro.

Grok Voice Transcribe 2.0 è un unico modello con due trasporti: gli stessi pesi servono /v1/stt via REST per file fino a 500 MB e wss://api.x.ai/v1/stt via WebSocket per l'audio in tempo reale, con risultati intermedi emessi all'incirca ogni 500 ms. La tariffa dello streaming è esattamente il doppio di quella batch, anziché essere quella di un prodotto progettato separatamente, il che significa che la precisione che misuri sul tuo audio archiviato è la precisione che dovresti aspettarti in tempo reale. Significa anche che non c'è un secondo modello da valutare — un unico set di prompt, un unico set di termini chiave, un unico set di aspettative.

La parità di funzionalità è quasi completa, ma non identica. Entrambi restituiscono timestamp a livello di parola; Grok Voice Transcribe 2.0 associa un punteggio di affidabilità a ogni parola, il che consente di applicare una soglia agli intervalli a bassa affidabilità invece di fidarsi uniformemente dell'intera trascrizione. Entrambi eseguono la diarizzazione degli speaker, e quella di Grok è inclusa senza costi aggiuntivi. Entrambi gestiscono la normalizzazione inversa del testo per numeri, date, valute e dettagli di contatto. Grok Voice Transcribe 2.0 aggiunge la trascrizione multicanale su un massimo di 8 canali indipendenti, la rimozione delle parole riempitive e il rilevamento di fine turno Smart Turn; le aggiunte distintive di GPT Transcribe sono il condizionamento del contesto a livello di prompt e, sul lato Realtime, il riporto automatico dei turni precedenti. OpenAI non ha pubblicato un numero di lingue supportate per nessuno dei due modelli; Grok Voice Transcribe 2.0 documenta decine di lingue con commutazione durante la registrazione e formattazione in forma scritta su 25.

Come decidere e come testarlo

Se stai costruendo un voice agent che deve rispondere prima che il chiamante abbia finito, la colonna dei transcript parziali è la tua variabile decisionale, e separa nettamente i due modelli: Grok Voice Transcribe 2.0 è più accurato di 2,9 punti sui parziali ma impiega 0,23 secondi in più a produrli. Scegli SpaceXAI se un parziale sbagliato è peggio di uno tardivo — instradamento, escalation, risposte attivate da requisiti di conformità. Scegli OpenAI se un parziale tardivo è peggio di uno sbagliato, e se possiedi il lessico di dominio da fornire al meccanismo di contesto, così che il divario di accuratezza si riduca. Poi misurali entrambi, perché il comportamento sui transcript parziali di nessuno dei due fornitori, su otto ore di parlato di agenti in inglese, predice ciò che l'uno o l'altro farà con il tuo accento, il tuo codec e il tuo gergo.

Se stai trascrivendo file, la decisione è molto più semplice: $1,67 contro $4,50 per 1.000 minuti e 2,3% contro 3,31% WER, entrambi puntano nella stessa direzione. L'unico motivo per restare su GPT Transcribe per il lavoro in batch è se il meccanismo di condizionamento del contesto sta facendo qualcosa per il tuo audio che il divario di accuratezza grezza non può compensare — il che è una possibilità reale su registrazioni altamente specifiche per dominio, e verificabile.

Nessuno dei due modelli di trascrizione è oggi nel catalogo di OrcaRouter, quindi le chiamate stesse vanno all'API del fornitore. Ciò che invece sta dietro a una sola chiave OrcaRouter è tutto ciò che la trascrizione alimenta: il modello agente, il riepilogatore, il classificatore, il codice che decide cosa fare con il testo. È qui che di solito compare il secondo contratto — un fornitore per la voce, un altro per il modello che ci ragiona sopra — e non deve per forza essere così. Una sola chiave su oltre 200 modelli, failover automatico se un provider peggiora, e il DSL di routing se vuoi inviare una richiesta attraverso diversi modelli e confrontare prima di impegnarti. È un'affermazione più modesta di «instradiamo la tua trascrizione», ed è quella vera.

La cosa da tenere d'occhio è se OpenAI risponderà sull'accuratezza piuttosto che sul contesto. L'azienda ha ormai rilasciato due generazioni di trascrizione in un anno e ha tagliato i prezzi una volta; il meccanismo del contesto è davvero differenziante, ma nella classifica che misura la trascrizione grezza al momento si trova dietro sia a SpaceXAI sia a Microsoft. Se arriverà un GPT Transcribe 2 con il meccanismo del contesto intatto e il tasso di errore ridotto intorno al 2%, questo confronto si ribalta sul fronte batch dall'oggi al domani — e il prezzo dello streaming, già identico, rende quella una gara che vale la pena seguire.