Grok Voice Transcribe 2.0 以不變的價格奪下第一名串流準確度寶座

Grok Voice Transcribe 2.0 是 SpaceXAI 於 2026 年 9 月 18 日推出的語音轉文字模型，而關於它真正重要的那個數字，並不是發表貼文一開頭主打的那個。而是這個：第一個部分轉錄結果——也就是來電者還在被搶話時，語音代理實際能據以採取行動的文字——其詞錯誤率從 Grok Voice Transcribe 1.0 的 18.3%，降到 3.4%。這是 Artificial Analysis 的 AA-WER Streaming 排行榜上的測量結果；在這份榜單上，新模型目前在最終轉錄結果排名（2.7% WER，語音結束後 0.49 秒）與首次部分轉錄結果排名（3.4%，0.49 秒）都位居第一。最終轉錄準確率也有所提升，從 3.9% 到 2.7%，這是實質但幅度不大的進步。部分轉錄的躍升，才是會改變你能打造什麼的關鍵。

1.0 與 2.0 之間實際上改變了什麼？

這兩個版本是同一個 API 中的同一款產品，而 SpaceXAI 並未對介面做出任何變更：Grok Voice Transcribe 2.0 的選用方式，是傳入grok-voice-transcribe-2.0至/v1/stt，而非grok-voice-transcribe-1.0，或是在建立用於串流的 WebSocket 連線時選擇它。既有的整合若省略 model 參數，會持續取得 1.0，直到 SpaceXAI 切換預設值為止；該公司表示這會在接下來幾週內發生，並同時淘汰舊版本。在那之前，2.0 屬於選用（opt-in），而 1.0 則可刻意鎖定，這正是這類變更應有的形態：無論你是否主動要求，你都能先在自己的音訊上做 A/B 測試，再讓它成為你的正式環境預設值。

Artificial Analysis 的數字並排來看，說出的故事比「準確度是兩倍」更具體：

• 最終轉錄準確度 — Grok Voice Transcribe 2.0 的 WER 為 2.7%，對比 Grok Voice Transcribe 1.0 在 AA-WER Streaming 上的 3.9%，兩者皆於語音結束後測量

• 首次部分轉錄準確度 — 3.4% WER 對比 18.3%，是兩個版本之間最大的單一差距

• 產出最終逐字稿的時間 — 0.49 秒對 0.37 秒，因此新模型比它所取代的模型更慢才定稿

• 首個部分結果時間 — 0.49 秒 vs 0.25 秒，同樣較慢

• 批次（非串流）準確度 — 在 Artificial Analysis 的非串流排行榜上，AA-WER 為 2.3%，相較之下 Whisper Large v3 為 4.07%，GPT Transcribe 為 3.31%

• 批次吞吐量 — 在同一塊板卡上約為即時速度的 162×，落後於 MAI-Transcribe-2 的 333×，領先 Gemini 3.5 Transcribe 的 88×

那第四行與第五行是這次發布中最誠實的但書。SpaceXAI 用延遲換來了準確度。新模型回傳第一個部分結果與最終轉錄稿的速度，比 1.0 慢了約三分之一秒。在一個 Deepgram Flux 能在 0.02 秒內回傳部分結果、Soniox v5 能在 0.05 秒內回傳的排行榜上，Grok Voice Transcribe 2.0 根本不是在比速度——它比的是正確性，而且在這個取捨上大幅勝出。這個取捨是否正確，完全取決於你的應用程式是需要開始回話的即時語音代理，還是半秒鐘根本看不出來的轉錄流程。

「準確度是兩倍」的說法，經查證

SpaceXAI 的頭條宣傳是：2.0 在相同價格下，準確度是 1.0 的兩倍，而它自家的評估表也在其選定的資料集上支持這一點。在 8 kHz 英語客戶支援通話上，詞錯誤率從 10.6% 降至 7.1%。在與 Grok 的對話中，從 8.7% 降至 3.3%。在口說憑證——帳號代碼、電話號碼、電子郵件地址——上，從 7.2% 降至 3.2%。在涵蓋 19 種語言的短指令上，從 20.6% 降至 6.8%，錯誤大約減少了三分之二。這四個資料集取自 SpaceXAI 的生產流量，且這些比較是 SpaceXAI 自己做的；公司外部沒有人重現過這些結果。把這張表視為模型被調校之處的地圖，而不是一般準確度的保證。

Artificial Analysis 的結果正是非廠商自行報告的那部分：一套獨立測試框架針對約八小時的音訊運行，其中 50% 權重分配給私有的 AA-AgentTalk 資料集，VoxPopuli 與 Earnings22 則各佔 25%。它支持的主張比「準確度是兩倍」更狹隘、也更實用——在那個特定的混合資料集上，這個模型是實測最準確的串流轉錄器。有個值得點名的小問題：SpaceXAI 的貼文描述為「在 32 個串流模型中」排名第一，而排行榜頁面本身只繪製了 33 個模型中的 27 個。排名是真的；行銷文案中的模型總數是該公司自己算的，不是排行榜的數字。

同樣值得精確說明的是，AA-WER Streaming 的第一名究竟涵蓋了什麼、又不涵蓋什麼。這個排行榜以英語加權，且客服對話佔比很高。它不評估你的口音、你的編解碼器、你的領域詞彙，也不評估你的八聲道客服中心音訊。一個能在該榜奪冠的模型，仍可能在你的錄音上慘敗，而這正是選擇加入的時間窗口之所以重要的原因。

定價維持不變，而這是這裡第二重大的事實

Grok Voice Transcribe 2.0 的費用與 1.0 相同：透過 REST 端點處理批次與錄製檔案每音訊小時 $0.10，透過 WebSocket 串流每音訊小時 $0.20。在 Artificial Analysis 的價格看板上，串流 SKU 為每 1,000 分鐘 $3.33，批次 SKU 為 $1.67——與 Microsoft 對 MAI-Transcribe-2 收取的批次費率相同，且大約是 ElevenLabs Scribe v2 Realtime 每串流分鐘費用的三分之一。

說話者分離、附帶信心分數的詞級時間戳記，以及關鍵詞偏重，全都包含在那個費率內，而非另行計量計費，這在市場上並非普遍做法。Gemini 3.5 Transcribe Live 對音訊輸入與文字輸出都按 token 計費，因此你的成本會隨模型說出多少內容而變動，而不只是取決於音訊持續多久。每小時固定費率更容易預測，也更容易在各供應商之間比較——而且由於 OrcaRouter 以 0% 加價轉嫁供應商的定價表價格，供應商若調整該費率，會在當天就反映在我們這邊，而不是等到一個重新定價週期之後。

API 實際上提供給你的內容

能力清單很廣泛，而且大多是承襲而來，而非全新功能；如果你只依據功能來評估這次升級，這點值得留意：

• 單一模型同時支援批次與串流 —— 錄製檔案最高 500 MB 使用 REST，WebSocket 位於 wss://api.x.ai/v1/stt，約每 500 毫秒輸出一次中間結果

• 包含講者分離功能，以及最多 8 個獨立聲道的多聲道轉錄

詞彙層級的時間戳記附帶信心分數，讓你能為低信賴度的片段設定閾值，而不是一視同仁地信任整份轉錄稿

• 每次請求最多可設定 100 個領域詞彙的關鍵詞偏置，每個詞彙最多 50 個字元

• 數字、日期、貨幣、電話號碼和電子郵件地址的反向文字正規化，並支援 25 種語言的書寫形式格式

• 填充詞移除與 Smart Turn 的話輪結束偵測，明確針對語音代理

• 自動語言偵測，可在單次錄音過程中切換語言，涵蓋 12 種音訊格式，以及 8 kHz 至 48 kHz 的取樣率

• REST 與串流服務的上限均為每秒 10 個請求，每個團隊可有 100 個並行串流工作階段，託管於 us-east-1

有一項未列在功能清單上的正式環境備註：該服務僅在單一區域運行。如果你的音訊來源位於美國境外，網路傳輸路段現在已納入你的延遲預算，而 AA-WER Streaming 明確將網路延遲計入其計時。SpaceXAI 提供零資料保留條款，並援引 SOC 2 Type II、BAAs 與歐盟資料駐留選項，因此其合規方面的說法比地理方面的說法更為完善。

誰應該行動，以及該注意什麼

如果你已經在使用 Grok Voice Transcribe 1.0，而你的應用程式會根據部分轉錄結果來運作——例如對話輪次偵測、插話、即時專員回應——那麼部分轉錄準確率從 18.3% 到 3.4% 的差距已經大到讓測試 2.0 不再是選項。那個數字從「通常錯誤」變成「通常正確」，就是你能用來路由的部分轉錄，與只能拿來顯示的部分轉錄之間的差別。如果你的應用程式在處理錄音檔時會等待最終轉錄結果，那麼這項改進雖然真實，但幅度較小，而隨之增加的 0.12 秒提交延遲就是它的代價。

如果你完全使用其他供應商，關注這個版本的原因並不是排行榜排名，而是某間前沿實驗室剛大幅改進了它的轉錄模型，卻沒有調漲價格——這正是當準確度不再是收費賣點時，市場會呈現的樣子。升級途徑也是最便宜的一種：一個參數、無需修改程式碼、無需新合約，而且如果出錯，還有可用的釘選版本。

接下來要留意的是預設版本的翻轉。當 SpaceXAI 讓 2.0 成為預設版本，並開始淘汰 1.0 時，所有從未傳入模型參數的整合都會立刻轉移到新模型上，延遲的變化也包含在內。依賴舊有 0.25 秒部分結果時序的團隊，現在就應該鎖定版本，而不是等到在正式環境中才發現這項變化。第二個要留意的是獨立重現：Artificial Analysis 的紀錄是一項真實測量，但它只是在單一音訊混音上的單一測試板，而且目前還沒有第三方發表在正式音訊上、條件對等的 1.0 對比 2.0 測試結果。