Grok Voice Transcribe 2.0上线
xAI把语音转写竞争推到实时准确率、端点延迟和价格组合。
本文要点
- 非流式AA-WER从1.0约4.0%降到2.3%。
- 流式Final Transcript WER达到2.7%，端点后延迟为0.49秒。
- 流式和非流式价格均与前代保持一致。
阅读辅助
先看数字、证据和来源，再读正文。
Grok Voice Transcribe 2.0已通过xAI API提供流式和非流式转写。
2026-09-18 · xAI在News列表发布Introducing Grok Voice Transcribe 2.0。
核心判断
xAI在2026-09-18发布Grok Voice Transcribe 2.0，同时把同一个模型放进三组可比较指标：非流式准确率、流式最终转写准确率、端点后延迟和每小时价格。对实时语音产品来说，这四项放在一起，比单独报一个WER更接近真实采购问题。
可核实的部分包括：xAI官方News页面列出Grok Voice Transcribe 2.0发布；Artificial Analysis的Speech to Text榜单和X摘要给出非流式2.3% AA-WER；同一摘要给出流式Final Transcript 2.7% WER、端点后延迟0.49s；价格口径是流式$0.20/hour、非流式$0.10/hour，并且与前代保持一致。
需要留白的是评测覆盖面。Artificial Analysis给出的AA-WER和AA-WER Streaming是第三方榜单口径，适合横向比较，但它仍不能替代企业自己的语种、口音、噪声、麦克风距离和说话人重叠测试。xAI公告页本身没有在可抓取正文里展开这些切片，也没有给出开发者可以直接审计的完整样本。
对开发者的直接影响在产品设计层。会议纪要、客服质检、语音agent、实时字幕和通话分析过去常在准确率与延迟之间取舍。Grok Voice Transcribe 2.0如果在真实场景里接近榜单表现，更多语音交互就可以走流式路径，完整录音落盘后的批处理会退到低实时性场景。
发生了什么
xAI把这次模型命名为Grok Voice Transcribe 2.0，Artificial Analysis摘要称它接替Grok Voice Transcribe 1.0，后者此前也被称作Grok Speech to Text。xAI文档模型页已经列出grok-voice-transcribe-2.0，输入模态是AUDIO，输出模态是TEXT，并在STT端点下列出请求速率、并发会话和价格字段。
发布的news peg很清楚：过去24小时新增的是一个可通过xAI API使用的2.0语音转写模型，以及第三方榜单对它的流式和非流式结果。非流式场景看完整音频后给出转写，核心指标是AA-WER。流式场景边听边给结果，除了最终WER，还要看说话结束之后多久给出稳定最终稿。
Artificial Analysis的非流式榜单把Grok Voice Transcribe 2.0列为0.0229 AA-WER Index，本文按百分比写作时四舍五入为2.3%。同一榜单显示Grok Voice Transcribe 1.0为0.0403，对应Artificial Analysis摘要中的“从4.0%改善到2.3%”。这说明2.0最明显的变化在错误率，速度因子需要另看。
流式指标更适合解释为什么这条新闻值得单独写。Artificial Analysis称，Grok Voice Transcribe 2.0在AA-WER Streaming上以Final Transcript 2.7% WER和speech end后0.49s延迟，拿到Final Transcript准确率和First Partial Transcript准确率第一。这里的“0.49s”只覆盖检测到语音结束后到最终转写输出的时间，不能等同于用户开口到应用显示文字的全链路延迟。
关键数据怎样读
| 指标 | Grok Voice Transcribe 2.0 | 对照口径 | 来源 |
|---|---|---|---|
| 非流式AA-WER | 2.3% | Artificial Analysis榜单0.0229，1.0为0.0403 | Artificial Analysis |
| 流式Final Transcript WER | 2.7% | AA-WER Streaming最终稿口径 | Artificial Analysis |
| 端点后延迟 | 0.49s | Speech end之后到最终转写输出 | Artificial Analysis |
| First Partial WER | 3.4% | 首个部分转写的错误率口径 | Artificial Analysis |
| 流式价格 | $0.20/hour | 折合每千分钟约$3.33 | xAI Docs 与 Artificial Analysis |
| 非流式价格 | $0.10/hour | 折合每千分钟约$1.67 | xAI Docs 与 Artificial Analysis |
这张表有两个容易误读的地方。非流式2.3%对应的是 Artificial Analysis 的 AA-WER 口径，并不代表 xAI 在所有 ASR 口径里排第一。Artificial Analysis摘要写得更具体：非流式榜单里，Grok Voice Transcribe 2.0位列59个模型中的第5，排在Alibaba Fun-Realtime-ASR-preview、StepFun StepAudio 3 ASR、Microsoft MAI-Transcribe-2和ElevenLabs Scribe v2之后。它的优势是错误率大幅低于1.0，并且速度因子仍约160x。
流式榜单还需要把WER和延迟一起读。Muse Voice Transcribe在Artificial Analysis摘要中的对照是3.1%和0.16s，ElevenLabs Scribe v2 Realtime是3.6%和0.14s，Cartesia Ink-2语义端点是3.4%和0.43s。Grok 2.0更准确，延迟位置并不占优。对语音agent来说，少错几个词和快几百毫秒都可能改变体验，取舍要看场景。
价格口径尤其要保守。xAI文档中1.0和2.0的STT价格字段一致；Artificial Analysis也写明2.0“at the same price as its predecessor”。因此正确写法是“保持前代价格”，不要把状态动词改写成涨价或降价。如果要换算，流式$0.20/hour等于每千分钟约$3.33，非流式$0.10/hour等于每千分钟约$1.67。
这组数字的实际用途，是给团队做候选模型筛选。它能帮助先排除明显不合预算或延迟要求的方案，再进入自己的真实音频集评测。
与竞品的差异
ASR模型过去常被简单地排成“谁的WER最低”。这个口径对离线转写还算直观：音频结束后完整送入模型，模型慢一点也可以接受。但实时语音入口不是这样。会议字幕要边说边出，客服坐席需要低延迟提示，语音agent要在用户停顿后马上决定下一步。如果最终稿准确但等得太久，用户会觉得系统迟钝；如果部分稿太快但错误多，下游agent可能提前采取错误动作。
Grok Voice Transcribe 2.0在流式Final Transcript准确率上更激进。Artificial Analysis摘要称它以2.7% WER取得Final Transcript准确率第一，同时First Partial Transcript达到3.4% WER。这说明xAI已经把转写模型放进实时路径比较，同时继续覆盖离线批转写。
这个组合也带来一个产品问题：0.49s端点后延迟在流式ASR里不是最短。Muse Voice Transcribe和ElevenLabs Scribe v2 Realtime的延迟更低，Cartesia Ink-2部分配置也更快。对字幕类应用，0.49秒可能可以接受；对全双工语音agent，0.49秒再叠加网络、端点检测、LLM推理和TTS合成，就可能变成明显停顿。
因此，Grok 2.0给出的实时组合更偏准确率：最终稿更准，价格不变，延迟处于可用但并非最低的位置。企业买方如果只看榜单第一，很容易忽略自己的交互链路里瓶颈可能在端点检测、下游推理或TTS。
为什么价格保持一致重要
语音转写是典型的用量型基础设施。一个聊天模型的价格变化会影响单次调用成本，但ASR会随着会议时长、客服通话量、播客库存和监控音频持续累积。每小时$0.10和$0.20看起来很小，乘以大规模音频库后就是预算项。
这也是“价格与前代保持一致”比“模型更准”更实际的地方。如果2.0只提高准确率但同时涨价，团队需要重新做成本收益表。现在xAI和Artificial Analysis给出的共同口径是价格保持一致，意味着开发者可以先把1.0和2.0放进同一预算框架里做A/B测试。非流式批处理场景看$0.10/hour，实时交互场景看$0.20/hour，二者都不需要因为2.0上线先调整单价假设。
xAI文档还提示了生产接入的另一个变量：并发。模型页列出STT端点按请求速率限制，基础层级有rps、rpm和concurrent sessions字段，并随tier上升。对消费者App demo来说这不明显，对会议平台、呼叫中心和语音agent平台来说，并发会话上限会比单小时价格更早成为上线约束。
时间戳和说话人处理仍是现实边界。今天的公开材料足以确认模型、价格和榜单成绩，但不足以确认它是否原生覆盖企业会议里常见的多说话人分离、片段级时间戳和长通话恢复。许多团队真正迁移ASR供应商时，单句WER只是入口，周边能力能否少改应用层代码往往更决定迁移成本。
早报判断是，Grok Voice Transcribe 2.0把ASR竞争从“离线榜单谁更低WER”推到了“实时链路能不能同时守住准确率、延迟和价格”。这更接近2026年的语音AI需求。语音已经不只是把录音转成文本存档，而是变成agent理解用户意图、触发工具调用和生成下一轮回答的前置传感器。
对xAI有利的地方，是它能把Grok聊天、语音、API和实时模型放在同一个产品叙事里。一个更准且价格不涨的转写模型，能降低开发者尝试xAI语音栈的门槛。对竞争对手来说，压力不只来自2.7% WER，还来自“保持前代价格”的参照。一旦用户把实时ASR看成可替换的API，价格和延迟会被拉进同一张采购表。
边界同样清楚。Artificial Analysis榜单能提供横向基线，但会议室回声、跨语种切换、嘈杂客服、医疗或法律术语不会自动等同于榜单样本。xAI还需要公开更多语种、噪声、说话人重叠和端到端延迟切片。否则这次发布对开发者的价值主要是“值得测试”，还不能直接写成“生产场景已全面领先”。
接下来看什么
文档补齐会最先影响接入节奏。xAI已经在模型页列出2.0和1.0，但开发者还需要更完整的指南，包括流式事件格式、断线重连、端点检测参数、时间戳精度、说话人分离、噪声处理和多语种覆盖。没有这些细节，语音agent团队只能靠试错把模型接进现有pipeline。
第三方复测决定榜单成绩能否转成采购信心。Artificial Analysis给出了统一榜单，下一步要看社区和企业样本能否复现。如果会议、客服、播客和车载场景都能接近2.7%和0.49s，Grok 2.0会成为实时语音产品的默认候选；如果只在榜单样本上表现突出，开发者仍会按垂直场景选择Muse、ElevenLabs、Cartesia、Deepgram或云厂商ASR。
价格压力会沿着音频存量扩散。流式$0.20/hour已经低于部分实时ASR服务，非流式$0.10/hour则让大规模批转写更容易进入常规数据管线。更便宜的转写会增加音频被结构化处理的总量，也会把隐私、保留期和合规审计推到产品侧。准确率是今天的新闻，治理和成本曲线才是后续几个月的主线。