ME News reporta que a xAI lançou duas APIs de áudio independentes: Grok STT e Grok TTS, derivadas da mesma pilha de áudio, suportando Grok Voice, sistemas de bordo da Tesla e atendimento ao cliente Starlink, entre outros. O STT oferece transcrição em lote via REST e fluxo em tempo real via WebSocket, com marcações de tempo por palavra, separação de falantes, múltiplos canais e normalização reversa de texto, cobrindo mais de 25 idiomas; O TTS suporta etiquetas internas de emoção e prosódia. E divulgou uma comparação de WER, onde Grok lidera em múltiplos cenários, sem testes de terceiros até o momento. Preços: processamento em lote de STT a 0,10 dólares por hora, streaming a 0,20 dólares por hora, TTS a 4,20 dólares por milhão de caracteres.

MeNews

2026-05-26 17:23:03

Geração do resumo em andamento

ME News Notícias, 18 de abril (UTC+8), de acordo com o monitoramento do Beating, a xAI lançou duas APIs de áudio independentes: Grok Speech to Text e Grok Text to Speech. Ambas vêm da mesma pilha de áudio que suporta Grok Voice, o sistema de bordo da Tesla e o atendimento ao cliente Starlink, agora disponibilizadas como endpoints independentes, permitindo que desenvolvedores integrem diretamente em aplicativos de proxy de voz, transcrição em tempo real, ferramentas de acessibilidade e podcasts. O STT oferece dois modos. A API REST é usada para transcrição em lote de arquivos de áudio grandes, com retorno em milissegundos; a API WebSocket é voltada para fluxo de voz em tempo real. Recursos adicionais incluem marcação de tempo por palavra, diarização de falantes, reconhecimento em múltiplos canais e Normalização de Texto Inversa, ou seja, transformar números, datas e moedas falados em textos estruturados padronizados. O suporte linguístico cobre mais de 25 idiomas, com troca fluida durante a conversa. A xAI também divulgou uma comparação de taxas de erro de palavra (WER, quanto menor melhor): cenário geral Grok 6,9%, ElevenLabs 9,0%, Deepgram 11,0%, AssemblyAI 12,9%; a diferença na "Reconhecimento de entidades em chamadas telefônicas" foi ainda maior, Grok 5,0%, enquanto as outras três são 12,0%, 13,5% e 21,3%. Em cenários comuns como reuniões, podcasts em vídeo e chamadas telefônicas, Grok também mantém uma leve vantagem. Esses números foram testados e divulgados pela própria xAI, sem validação de terceiros. Quanto aos preços, o processamento em lote de STT custa US$0,10 por hora, streaming US$0,20 por hora; TTS custa US$4,20 por milhão de caracteres. O TTS suporta controle de emoção e entonação usando tags de fala inline, como \[laugh\], \[sigh\], \[whisper\], \ (Fonte: BlockBeats)

XAI-1,85%

Ver original

Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.

10 Curtidas

Recompensa
10
6
Repostar
Compartilhar

Comentário

Adicionar um comentário

SudoSatoshi

· 2h atrás

Cobertura multilíngue de mais de 25 idiomas, mas qual é a qualidade das línguas minoritárias?
A média do WER parece boa, mas para línguas de cauda longa, ainda pode ser um desastre.

Ver originalResponder0

AirdropUnderTheNeonBridge

· 2h atrás

Etiquetas internas de emoção e ritmo? TTS finalmente não é mais uma máquina de leitura, dá para criar audiolivros ou diálogos de NPCs de jogos com criatividade.

Ver originalResponder0

AirdropCartographer

· 2h atrás

Multicanal + separação de falantes, ferramenta para transcrição de gravações de reuniões, mas com um custo de streaming de 0,2 dólares por hora, mesmo em reuniões longas não é barato.

Ver originalResponder0

PerpPulse

· 2h atrás

Grok Voice, Tesla a bordo, Starlink suporte ao cliente usam a mesma pilha de áudio, Musk está ficando cada vez melhor nesse ciclo ecológico fechado.

Ver originalResponder0

MintLaterMaybe

· 2h atrás

O que é normalização de texto invertido? Converter números em dígitos arábicos? Essa função é bastante importante para o processamento pós-transcrição de voz, evitando que você precise escrever expressões regulares.

Ver originalResponder0

CliffsideAncientPineAndRolling

· 2h atrás

xAI esta rodada de API de áudio está sendo bastante agressiva, STT em streaming por 0,2 dólares por hora, TTS por 4,2 dólares por milhão de caracteres, a estratégia de precificação claramente voltada para uso comercial em grande escala.

Ver originalResponder0

Tendências
Ver projetos
#
StockTradingChallengeUpTo17000U
16.21M Popularidade
#
USStrikesIran
9.31M Popularidade
#
IsraelStrikesIranBTCPlunges
49.45K Popularidade
#
GatePredictionMarketAddsSmartMoneyTracking
13.07M Popularidade
#
InstitutionalCapitalRotatesFromBTCToHYPEAndXRP
14.33M Popularidade

Fixado

sitemap

xAI abre API de áudio Grok STT e TTS, taxa de erro geral de palavras do STT reduzida para 6,9%

Tendências

StockTradingChallengeUpTo17000U

USStrikesIran

IsraelStrikesIranBTCPlunges

GatePredictionMarketAddsSmartMoneyTracking

InstitutionalCapitalRotatesFromBTCToHYPEAndXRP

Fixado