Daglig AI-översikt, 19 september: Grok Voice Transcribe 2.0 lanseras och Meta öppnar Muse för utvecklare

Grok Voice Transcribe 2.0 finns nu i Grok Voice API från och med den 18 september 2026, för 0,10 USD per ljudtimme för transkribering av inspelningar och 0,20 USD per timme för strömning – samma priser som SpaceXAI tog för version 1.0. Samma vecka öppnade Meta anslutningsplattformen Muse för externa utvecklare, vilket gör att vilken tjänst som helst kan exponera sitt befintliga API och låta Metas Muse-agent anropa det å användarens vägnar. Det ser ut som orelaterade rubriker från två olika företag om två olika produkter, och under större delen av de senaste två åren skulle de ha varit just det. Läser man dem tillsammans är de samma historia: transkribering håller på att bli en indata, och kampen har flyttat till vem som äger anropet som konsumerar den.

Börja med priserna, för de är den del en läsare kan agera på i dag. Sedan noggrannheten, som är verklig men snävare än vad lanseringens inramning antyder. Sedan Meta-delen, som är den som kommer att spela roll om sex månader.

Enhetlig prissättning, och vad det innebär om du redan betalar för transkription

Grok Voice Transcribe 2.0 kostar lika mycket som 1.0. Inte "från" samma pris, inte ett kampanjpris som löper ut – identiskt, till $0.10 per timme ljud för batchjobb och $0.20 per timme för streaming, vilket motsvarar $1.67 och $3.33 per 1 000 minuter. Talardiariarisering, tidsstämplar på ordnivå med konfidenspoäng, invers textnormalisering, borttagning av utfyllnadsord och nyckeltermsbias ingår alla i det priset i stället för att säljas separat som tillägg, vilket inte är normen för kategorin.

Den praktiska effekten är aritmetisk snarare än dramatisk. Ett team som transkriberar 5 000 timmar kontaktcenterljud i månaden betalar 500 dollar för batch-vägen oavsett, och den nya modellen levererar samma volym med en väsentligt lägre felkvot. Ingenting i migreringen förändrar vad du betalar, vilket är precis varför migreringen är lätt att motivera: det finns inget kostnadsbeslut att fatta, bara ett kvalitetsbeslut, och kvaliteten har ökat.

Befintliga integrationer migrerar genom att skicka grok-voice-transcribe-2.0 som modellparameter i /v1/stt, eller genom att välja den när WebSocket-sessionen öppnas för strömning. Ingen schemaändring, ingen ny slutpunkt, ingen omkodning av din ljudpipeline. SpaceXAI har låtit 1.0 vara standard tills vidare, så en integration som aldrig rör modellparametern fortsätter få den gamla versionen tills företaget växlar över — vilket det säger kommer att ske under de kommande veckorna, tillsammans med att 1.0 fasas ut. Det fönstret är värt att använda medvetet: rikta en skuggkopia av ditt produktionsljud mot 2.0 och jämför transkriptionerna med det du levererar i dag, för när standarden väl växlar kommer du att köra den vare sig du har testat den eller inte.

Resten av specifikationsbladet är oförändrat till formen och värt att känna till om du dimensionerar en driftsättning snarare än bara utvärderar noggrannhet: 12 format för inljud, från 8 kHz telefontjud upp till 48 kHz, upp till åtta oberoende ljudkanaler i en enda begäran, 100 nyckeltermer per begäran för domänvokabulär, automatisk språkidentifiering med växling mitt i en inspelning samt invers textnormalisering över 25 språk, så att talade datum, valutor, telefonnummer och e-postadresser kommer tillbaka skrivna så som en människa skulle skriva dem. Tjänstens gränser är 10 begäranden per sekund och 100 samtidiga strömningssessioner per team, och tjänsten körs i en enda region – us-east-1 – vilket är den enda raden på bladet som bör få ett produktionsteam att tänka efter, eftersom ett tal-API i en enda region är ett avbrott i en enda region.

Där träffsäkerheten faktiskt rörde sig

Lanseringspåståendet är ”dubbelt så exakt”, och de bakomliggande siffrorna är mer specifika och mindre enhetliga än den formuleringen. På AA-WER Streaming-tavlan från Artificial Analysis, som är den oberoende mätningen här, skiljer sig de två versionerna åt så här:

• Slutlig transkriptionsnoggrannhet — Grok Voice Transcribe 2.0 vid 2,7 % ordfelsfrekvens jämfört med Grok Voice Transcribe 1.0 vid 3,9 %, båda uppmätta efter att talaren har slutat

• Noggrannhet för första partiella transkriptionen – 3,4 % WER mot 18,3 %, vilket är den största enskilda skillnaden mellan de två versionerna med stor marginal

• Tid till slutlig transkription — 0,49 sekunder mot 0,37 sekunder, så 2.0 är långsammare i detta avseende snarare än snabbare

• Tid till första delavslut — 0,49 sekunder mot 0,25 sekunder, samma trade i motsatt riktning

Det sista paret är det mest intressanta på arket. Grok Voice Transcribe 2.0 betalade för sin noggrannhet med ungefär en kvarts sekunds latens, i båda riktningarna. För en röstagent är det en verklig kostnad – det är skillnaden mellan en naturlig paus och en paus som den som ringer märker – och för en batchpipeline är den osynlig. Förbättringen av den första partiella transkriptionen är den som förändrar vad du kan bygga, eftersom en partiell transkription är den text som en agent får resonera kring medan den som ringer fortfarande pratar. Att gå från 18,3 % till 3,4 % på den siffran är skillnaden mellan att en partiell transkription är en grov antydan och att en partiell transkription är användbar. Att den slutliga transkriptionen går från 3,9 % till 2,7 % är en bra förbättring som ingen användare kommer att märka.

SpaceXAI publicerade också fyra interna utvärderingar, och de är värda att läsas med etiketten på – det här är företagets egna siffror om sitt eget ljud, inte oberoende reproducerade:

• 8 kHz kundsupportssamtal — 10,6 % WER i 1.0 ned till 7,1 % i 2.0

• Konversationer med Grok — 8,7 % ned till 3,3 %

• Muntliga inloggningsuppgifter, det vill säga namn, e-postadresser och kontouppgifter som läses upp — 7,2 % ned till 3,2 %

• Korta fraser på 19 språk – 20,6 % ner till 6,8 %

8 kHz-raden är den man bör hålla fast vid. Telefonljud är den svåraste vanliga ingången i den här kategorin och den som de flesta kontaktcenterköpare faktiskt har, och en minskning från 10,6 % till 7,1 % på den är viktigare för de köparna än den övergripande siffran på resultattavlan.

Topplistepåståendet, ärligt läst

SpaceXAI säger att modellen rankas som nummer ett av 32 streamingmodeller i noggrannhet. Artificial Analysis resultattavla placerar den visserligen först i både rankningen för sluttranskription och rankningen för första partiella transkription – men sidan med resultattavlan visar 27 av 33 modeller, så siffran "32" kommer från företagets egen räkning, och rankningen gäller en uppsättning vars sammansättning läsaren bör förstå. AA-WER Streaming är en viktad sammansättning av tre engelskspråkiga set: AA-AgentTalk med 50 %, VoxPopuli med 25 % och Earnings22 med 25 %, totalt ungefär åtta timmars ljud, och den är starkt viktad mot konversationellt tal i agentstil. Den mäter inte accenter, telefonikodekar, domänvokabulär eller flerkanaligt callcenterljud på något strukturerat sätt.

Inget av det gör siffran fel. Det gör den specifik. En modell som toppar en engelskspråkig leaderboard viktad mot agent-talk är rätt val för engelskt ljud utformat efter agent-talk, och det ärliga skälet att tro att 8 kHz-resultatet är leverantörens interna utvärdering snarare än den offentliga leaderboarden. Köpare med en annan ljudprofil bör testa på sitt eget ljud i stället för att läsa rankningen som ett allmängiltigt omdöme — vilket var sant före den här lanseringen och kommer att vara sant efter nästa.

Meta öppnar Muse-anslutningar för utvecklare

Veckans andra nyhet är Metas. Muse, den personliga agenten som Meta lanserade den 8 september på iOS, Android, muse.ai och WhatsApp, tar nu emot tredjepartsanslutningar: en tjänst exponerar sitt API, och Muse tillhandahåller agenten, webbläsaren och användarkontexten som gör att API:et blir något en person kan anropa genom att be om det. Inramningen som Meta satte på det är en arbetsfördelning – du bidrar med API:et, vi bidrar med avsikten och användaren. De första anslutningarna som nämndes var Notion och mötesanteckningsverktyget Granola, utöver de som Meta själv släppte.

Det är värt att vara precis med vad detta är och inte är. Det är inte ett öppet agentöverskridande protokoll. Att bygga en anslutningsmodul ger dig distribution inom Muses egen användarbas och ingen annanstans; att bygga mot ett öppet protokoll ger dig räckvidd över alla kompatibla agenter och ingen särskild användarbas. Meta har inte heller publicerat de delar som en utvecklare skulle behöva planera kring – granskningsprocessen för anslutningsmoduler, den tekniska integrationsytan, hur Muse väljer mellan två anslutningsmoduler som överlappar, eller hur en utvecklare mäter huruvida en anslutningsmodul faktiskt drev någon användning.

Det som inte är något tvivel om är riktningen. Muse kör varje användares agent i en egen virtuell maskin med en egen webbläsare och ett separat granskningslager framför utgående åtgärder, och den håller surrogattoken i stället för riktiga API-nycklar. Den arkitekturen ger bara mening om planen är att agenten ska anropa en massa saker. Transkriberings-API:er är bland de saker en agent anropar, och Meta har sitt eget – Muse Voice Transcribe, den realtidsmodell Meta släppte i början av september för 0,18 dollar per ljudtimme. En plattform som äger både agenten och en talmodell har en uppenbar anledning att dirigera sin egen trafik till sin egen modell, och utvecklare som bygger på konnektorer bör utgå från att det är standardvalet om inte något gör att det inte är standardvalet.

Vad ett team som släpper röst den här månaden faktiskt borde göra

Båda berättelserna pekar i samma riktning. Noggrannheten i taligenkänning konvergerar – tre modeller inom en och en halv procentenhet från varandra på samma resultattavla inom tre veckor – och de återstående särskiljande faktorerna är pris, latens, licens och vem som styr routningen. Det gör valet av vart ditt transkriberingsanrop går mer avgörande än valet av vilken modell som besvarar det, eftersom du kommer att vilja ändra det svaret flera gånger under det kommande året.

Det här är lagret som OrcaRouter ligger i. En API-nyckel täcker 200+ modeller bakom OpenAI-kompatibla endpoints, med automatiskt failover mellan leverantörer, så att en taltjänst i en enda region som har en dålig eftermiddag slutar vara ditt avbrott. Vi för vidare leverantörens listpris med 0 % påslag, vilket innebär att en leverantörs prissänkning eller en ny modellversion är tillgänglig hos oss samma dag i stället för att vänta på en omprissättning. Och eftersom varje modell ligger bakom ett enda avtal är att flytta en transkriberingsarbetsbelastning från en modell till en annan en ändring av modellsträngen i stället för en andra upphandling.

Tre konkreta åtgärder för den här veckan. Om du använder Grok Voice Transcribe 1.0, skuggtesta 2.0 på din egen ljudinspelning nu, medan 1.0 fortfarande är standard och du fortfarande har kontroll över bytet. Om du utvärderar strömmande tal för en agent, mät tiden till första partiella resultat mot din egen latensbudget i stället för att lita på någon annans resultattavla – kvartssekunden som den här modellen spenderade på att köpa noggrannhet är antingen ingenting eller ödesdiger beroende på vad din agent gör med texten. Och om du bygger något som en personlig agent en dag kan komma att anropa, håll ett nära öga på Muse connector program, eftersom distributionsargumentet det för fram är starkare än den tekniska detalj det lanserades med.