Grok Voice Transcribe 2.0错误率砍半，价格一分没涨

SpaceX旗下的SpaceXAI在九月十八日放出了新一代语音转文本模型Grok Voice Transcribe 2.0。错误率压低约一半，定价没动。

先说价格，因为这才是这次发布真正的狠处。批量转录仍是每小时音频0.10美元，实时流式转录每小时0.20美元，和1.0完全一致。更关键的是说话人分离、精确时间戳和自定义关键词这三项能力已经全部打包进基础价，不再单独收费。

等于拿旧版的钱买到了一个错误率近乎减半、还多了功能的新模型。语音识别这个赛道价格敏感、调用量巨大，这种打法对落地的撬动，通常比刷榜有效得多。

榜是也刷了的。在Artificial Analysis的公开榜单上，它在全部32款流式模型里准确率排第一。

不过更有说服力的是内部评测。SpaceXAI从自家线上业务里抽了四个数据集做系统测试：客服电话录音、和Grok的日常英语对话、口述的电话号码和邮箱地址这类结构化信息，以及多语种短指令。四个数据集上2.0对1.0都是全面领先。

第三个数据集值得单独说。口述数字和邮箱地址是语音识别里最难的一类——没有语义上下文可以兜底，错一个字符整条就废了。日常对话错个把词人还能读懂，邮箱地址错一个字母就是发不出去。把这一类单独拎出来做评测，说明他们清楚客户实际卡在哪。

底座方面，它扎根于Grok Voice的音频基础模型，而这套底座已经嵌进真实业务：每天接住数万通客服电话、转录数百万小时视频旁白，还驱动着特斯拉车机上的Grok助手在内的各类语音智能体。

这一点和纯实验室出来的模型有区别。日常被海量真实语音——带口音的、信号差的、背景嘈杂的——反复磨过的模型，在基准测试之外的表现通常更稳。