今天，我们激动地宣布推出两款强大的独立音频 API：Grok 语音转文本（STT）和 Grok 文本转语音（TTS）。它们基于为 Grok Voice、特斯拉车辆以及 Starlink 客户支持提供支持的同一技术栈构建。

这些独立的端点让开发者能够轻松地将高质量的语音功能集成到任何应用中，无论你是在创建语音智能体、实时转录工具、无障碍解决方案、播客，还是交互式音频体验。

高精度，低延迟。

• 通过我们的 REST API，可在毫秒内从大型音频文件生成转录文本。
• 通过我们延迟最低的 WebSocket API，实时转录语音。

我们新增了强大的功能，如词级时间戳、说话人分离和多声道支持。此外，还包括智能逆文本标准化功能，可正确处理数字、日期、货币等。

xAI

感谢您的耐心等待，Anghared Llewelyn Bowen。我看到您的抵押贷款利率锁定为 3.75%，有效期至 2024 年 3 月 10 日。Oisin MacGiolla Phadraigh，一旦我们在 2 月 15 日前收到您签署的文件，我们可以争取在 3 月 20 日完成交割。如果您有任何疑问，请随时发送电子邮件至 a.bowen@bestbank.com 与我联系。

匹配

不匹配

0 个错误

其他模型

感谢您的耐心等待，Anherd Lualin Bowen。我看到您的抵押贷款利率锁定为 3.75%，有效期至 03/10/2024。Oysen Magilla Fadrig，一旦我们在 2 月 15 日前收到您签署的文件，我们可以争取在 3 月 20 日完成交割。如果您有任何疑问，请随时发送电子邮件至 a dot bowen at bestbank dot com 与我联系。

匹配

不匹配

6 个错误

定价

我们保持定价简单明了且可预测：语音转文本批量处理为每小时 0.10 美元，流式处理为每小时 0.20 美元。完整详情和当前速率限制可在 xAI API 控制台中查看。

每小时成本（批量处理）

每小时成本（流式处理）

企业级转录

Grok STT 在电话通话、会议、视频/播客以及电话语音场景中，与顶级商业模型进行了评估对比。它在实体识别以及医疗、法律、金融等商业用例中表现出色。

领域（词错误率）	Grok STT	ElevenLabs	Deepgram	AssemblyAI
电话通话实体	5.0%	12.0%	13.5%	21.3%
视频/播客	2.4%	2.4%	3.0%	3.2%
会议	10.9%	12.2%	16.3%	15.7%
电话	9.3%	9.4%	11.0%	11.2%
总体	6.9%	9.0%	11.0%	12.9%

大多数转录模型只会输出原始的语音文字。Grok 语音转文本则更进一步。

当你启用格式化功能后，API 会执行高级反向文本规范化，智能地将口语转换为结构合理的输出：

我叫约翰·史密斯，我的电话号码是 414 555 1234。

我看到我的账户上有一笔 6.99 美元的交易。

原始输入

多语言流畅度

Grok 语音转文本 API 提供强大的多语言支持，覆盖 25 种以上语言，可在不中断的情况下无缝切换语言。

多通道与说话人分离（说话人识别）

使用同一个 API 转录多通道音频文件，实现完美的说话人分离。

通过说话人分离功能，在预录和实时流媒体中检测说话人，并提供词级别的说话人 ID。

说话人 1

您好，感谢来电，请问今天有什么可以帮您的？

说话人 2

我刚注册了一个账户，但无法登录。

说话人 1

很抱歉听到这个情况，请问您的邮箱地址是什么？我帮您查一下。

说话人 2

是 john.smith@gmail.com

说话人 1

谢谢，请问您能确认一下出生日期以便我验证账户吗？

说话人 2

当然，是 1985 年 3 月 16 日。

通过语音标签实现快速、自然且富有表现力的声音。

• 使用我们的 REST API 将长文本转换为语音
• 使用我们的 WebSocket API 实时生成语音

精细控制

使用简单的内联和包裹式语音标签添加自然的韵律和情感：[laugh]、[sigh]、[whisper]、<emphasis>、<slow>、<pause> 等等。这些控制功能让您无需复杂的标记即可创建引人入胜、栩栩如生的语音输出。

你听过新的 Grok Voice 吗？

小声说 让我告诉你一个秘密……我是最聪明、最棒的 AI。

笑 试试看！问我任何问题。

我将成为你值得信赖的个人助理和最亲密的伙伴。

ARA

定价

文本转语音的定价为每 100 万个字符 15.00 美元，采用简单的按用量计费方式，无隐藏费用。