Grok Voice Transcribe 2.0 以不变的价格登顶流式转录准确率榜首

Grok Voice Transcribe 2.0 是 SpaceXAI 于 2026 年 9 月 18 日发布的语音转文字模型，而关于它真正重要的那个数字，并不是发布博文开篇所强调的那个。而是这个：第一份部分转写——也就是来电者的话还没说完时，语音智能体实际能据以行动的那段文字——词错误率从 Grok Voice Transcribe 1.0 的 18.3% 降到了 3.4%。这是 Artificial Analysis 的 AA-WER Streaming 榜单上的测量结果，新模型如今在该榜单的最终转写排名（2.7% WER，语音结束后 0.49 秒）和首次部分转写排名（3.4%，0.49 秒）上均位居第一。最终转写的准确率也有所提升，从 3.9% 提高到 2.7%，这确实是实打实的进步，但幅度不大。真正改变你能搭建什么的，是部分转写的那一跃。

1.0 和 2.0 之间究竟有哪些变化

这两个版本是同一 API 中的同一产品，SpaceXAI 未对接口做任何更改：Grok Voice Transcribe 2.0 的选择方式是，将grok-voice-transcribe-2.0传给/v1/stt，而不是grok-voice-transcribe-1.0；或者在为流式传输创建 WebSocket 连接时选择它。省略 model 参数的现有集成会继续获得 1.0，直到 SpaceXAI 切换默认值；该公司表示，这将在未来几周内发生，同时旧版本将被弃用。在此之前，2.0 是选择加入的，而 1.0 可以有意识地固定使用，对于这样的变更来说，这是恰当的形态：在它无论你是否要求都会成为你的生产默认值之前，你可以在自己的音频上对它进行 A/B 测试。

将 Artificial Analysis 的数据并排对照来看，它们所讲述的故事比“准确率翻倍”要具体得多：

• 最终转录准确率 — Grok Voice Transcribe 2.0 在 AA-WER Streaming 上 WER 为 2.7%，而 Grok Voice Transcribe 1.0 为 3.9%，两者均在语音结束后测量

• 首次部分转录准确率——3.4% WER 对比 18.3%，这是两个版本之间最大的单项差距

• 生成最终转录文本所需时间——0.49 秒 vs 0.37 秒，因此新模型比它所取代的旧模型定型更慢

• 首个部分结果耗时 — 0.49s 对比 0.25s，同样更慢

• 批处理（非流式）准确率 — 在 Artificial Analysis 的非流式榜单上，AA-WER 为 2.3%，而 Whisper Large v3 为 4.07%，GPT Transcribe 为 3.31%

批量吞吐量——在同一块板卡上约为实时的 162 倍，落后于 MAI-Transcribe-2 的 333 倍，领先于 Gemini 3.5 Transcribe 的 88 倍

那第四行和第五行是本次发布中坦诚的告诫。SpaceXAI 以延迟换取了准确度。新模型返回第一个部分结果和最终转录文本的速度比 1.0 慢了约三分之一秒。在一个 Deepgram Flux 能在 0.02 秒内返回部分结果、Soniox v5 能在 0.05 秒内返回部分结果的赛道上，Grok Voice Transcribe 2.0 完全不是在速度上竞争——它竞争的是正确性，而且它在这一权衡中以巨大优势胜出。这种权衡是否正确，完全取决于你的应用是需要立即开始回话的实时语音智能体，还是半秒钟根本察觉不到的转录流水线。

“准确率翻倍”的说法，经核实

SpaceXAI 的主打说法是，2.0 在价格相同的情况下准确率是 1.0 的两倍，而它自己的评估表在其选定的数据集上支持了这一点。在 8 kHz 英语客户支持通话中，词错误率从 10.6% 降至 7.1%。在与 Grok 的对话中，从 8.7% 降至 3.3%。在语音凭据——账号、电话号码、电子邮件地址——中，从 7.2% 降至 3.2%。在跨 19 种语言的短命令中，从 20.6% 降至 6.8%，错误大约减少了三分之二。这四个数据集均取自 SpaceXAI 的生产流量，比较也是 SpaceXAI 自己进行的；公司外部无人复现过这些结果。请把这张表看作模型调优所在之处的地图，而不是通用准确率保证。

Artificial Analysis 的结果是不属于厂商自报的那部分：一个独立测试框架在约八小时音频上运行，其中 50% 权重给私有的 AA-AgentTalk 集合，25% 分别给 VoxPopuli 和 Earnings22。它支持一个比“准确率翻倍”更窄也更有用的说法——在那个特定组合上，该模型是已测得的准确率最高的流式转写器。有一个值得点出的细节：SpaceXAI 的帖子称其“在 32 个流式模型中”排名第一，而排行榜页面本身只标出了 33 个模型中的 27 个。排名是真的；营销文案中的模型总数是公司的计数，不是该榜单的。

同样值得精确说明的是，在 AA-WER Streaming 上排名第一涵盖了什么、又不涵盖什么。这个榜单偏重英语，而且座席对话占比很高。它并不衡量你的口音、你的编解码器、你的领域词汇，或者你的八声道呼叫中心音频。一个能在它上面登顶的模型，在你的录音上仍可能表现得很差，而这正是选择加入窗口重要的原因。

定价保持不变，而这是这里第二重要的事实

Grok Voice Transcribe 2.0 的定价与 1.0 相同：通过 REST 端点处理批量文件与录制文件为每音频小时 0.10 美元，通过 WebSocket 进行流式传输为每音频小时 0.20 美元。在 Artificial Analysis 的价格榜上，流式 SKU 折合每 1,000 分钟 3.33 美元，批量 SKU 为 1.67 美元——与微软为 MAI-Transcribe-2 收取的批量费率相同，约为 ElevenLabs Scribe v2 Realtime 每流式分钟费用的三分之一。

说话人分离、带置信度分数的词级时间戳以及关键术语偏置都包含在该费率中，而不是单独计量，这在本市场中并非普遍做法。Gemini 3.5 Transcribe Live 对音频输入和文本输出都按 token 计费，因此你的成本会随模型输出的多少而变化，而不仅仅取决于音频运行了多久。统一的每小时费率更易于预测，也更便于跨供应商比较——而且由于 OrcaRouter 以 0% 加价传递提供商标价，供应商端对该费率的调整会在当天就反映到我们这边，而不是等到一个重新定价周期之后。

API 实际提供给你的内容

功能清单很广泛，且大多是继承而来，而非全新增加——如果你仅从功能角度评估此次升级，这一点值得了解：

• 单一模型同时支持批处理与流式——REST 适用于最大 500 MB 的录音文件，WebSocket 端点位于 wss://api.x.ai/v1/stt，约每 500 毫秒输出一次中间结果

• 包含说话人分离，以及最多 8 个独立声道的多声道转录

• 词级时间戳，并附带置信度分数，因此你可以对低置信度的片段设置阈值，而不必对整份转录文本给予同等信任

• 关键术语偏置，每个请求最多支持 100 个领域术语，每个术语最多 50 个字符

• 针对数字、日期、货币、电话号码和电子邮件地址的逆文本规范化，支持25种语言的书写形式格式化

• 填充词移除与 Smart Turn 话轮结束检测，专为语音智能体打造

• 自动语言检测，可在录音中途切换语言并单次完成，覆盖 12 种音频格式以及从 8 kHz 到 48 kHz 的采样率

• REST 和流式传输的服务限制均为每秒 10 个请求，每个团队 100 个并发流式会话，托管在 us-east-1

唯一一条不在功能列表上的生产说明是：该服务仅在单一区域运行。如果你的音频源自美国以外，网络传输段现在就成了你延迟预算的一部分，而 AA-WER Streaming 明确将网络延迟计入其时序。SpaceXAI 提供零数据保留条款，并援引 SOC 2 Type II、BAAs 和欧盟数据驻留选项，因此其合规方面的说明比地理方面的更为完善。

谁该行动，又该关注什么

如果你已经在使用 Grok Voice Transcribe 1.0，并且你的应用会依据部分转写结果采取行动——轮次检测、打断处理、实时智能体响应——那么部分准确率从 18.3% 到 3.4% 的这一差距已经足够大，测试 2.0 不再是可选项。这个数字从“通常是错的”变成“通常是对的”，也就意味着部分转写结果从只能用于展示，变成了可以据此进行路由。如果你的应用是在录音文件上等待最终转写结果，那么这一改进确实存在，但幅度较小，而新增的 0.12 秒提交延迟就是它的代价。

如果你完全在用另一家厂商，那么关注这个版本的真正理由并不是排行榜名次，而是：一家前沿实验室刚刚大幅提升了自己的转写模型，却没有涨价。这正是当一个市场里准确率不再是收费点时所呈现的样子。升级路径也是最省事的那种：一个参数，无需改代码，不用签新合同，而且一旦出问题还能回退到固定版本。

接下来要关注的是默认版本的切换。当 SpaceXAI 将 2.0 设为默认并开始弃用 1.0 时，所有从未传入模型参数的集成都会立刻迁移到新模型上，延迟变化也包含在内。依赖旧的 0.25 秒 partial 时序的团队现在就应该锁定版本，而不是等在生产环境中发现这一变化。第二件要关注的事是独立复现：Artificial Analysis 的条目是一次真实测量，但它只是基于单一音频混音的单个榜单，且尚无第三方发布在生产音频上对 1.0 与 2.0 的同等条件对比运行结果。