xAI hat Grok Voice Transcribe 2.0 veröffentlicht. Das Modell wandelt Gespräche und Aufnahmen in Text um und soll vor allem bei schwierigen Bedingungen weniger Fehler machen. Der Preis bleibt trotz der Verbesserungen gleich. Aufgezeichnetes Audio kostet 0,10 US-Dollar pro Stunde, Live-Transkription 0,20 US-Dollar.
Besser bei kurzen Befehlen und Telefonaten
Den größten Sprung meldet xAI bei kurzen Sprachbefehlen in 19 Sprachen. In einem Test sank die Wortfehlerrate gegenüber Version 1.0 von 20,6 auf 6,8 Prozent. Solche kurzen Befehle liefern wenig Kontext und machen es dem Modell entsprechend schwer. Auch Sprachwechsel innerhalb einer Aufnahme soll es ohne Neustart erfassen.
Bei englischen Kundendienstgesprächen über Telefonleitungen mit 8 kHz ermittelte xAI eine Wortfehlerrate von 7,1 statt 10,6 Prozent. Gesprochene Kontaktdaten wie E-Mail-Adressen erkennt die neue Version ebenfalls besser.
Quelle: Artificial Intelligence
Im öffentlichen Streaming-Benchmark von Artificial Analysis führt Grok Voice Transcribe 2.0 bei der Genauigkeit. Der Benchmark prüft etwa acht Stunden Audiomaterial aus Gesprächen, öffentlichen Reden und Unternehmensaufnahmen. Er misst die Wortfehlerrate bei laufender Übertragung, nicht die Qualität fertiger Dateitranskripte.
Quelle: Artificial Intelligence
Loom nutzt das Modell bereits
Atlassian setzt Grok Voice Transcribe 2.0 für sämtliche Transkripte von Loom-Videos ein. Damit können Nutzer beispielsweise eine Arbeitsanweisung aufnehmen und den Text anschließend an ein Coding-Tool weitergeben.
Für Entwickler bietet xAI neben Live-Übersetzung auch die Verarbeitung gespeicherter Dateien. Das Modell kann Sprecher unterscheiden, Wörter mit Zeitmarken versehen und bis zu acht Audiokanäle getrennt auswerten. Bis zu 100 Fachbegriffe pro Anfrage sollen die Erkennung etwa von Produktnamen verbessern.
Version 2.0 ist über die API bereits auswählbar. xAI will sie demnächst zum Standard machen und Version 1.0 auslaufen lassen.
Anzeige
