SpaceXAI обещает вдвое меньше ошибок в распознавании речи
SpaceXAI выкатила Grok Voice Transcribe 2.0 с обещанием сократить число ошибок вдвое при той же цене. Целится она в шумные звонки, речь нескольких человек, акценты и диалекты.
Под капотом — аудиомодель из Grok Voice. По словам SpaceXAI, она уже тянет десятки тысяч звонков поддержки в день и миллионы часов видео, а ещё трудится в голосовом ассистенте Tesla. Учили её на многоязычных записях с помехами, потом дошлифовали постобучением.
В рейтинге Artificial Analysis версия 2.0 вышла на первое место среди 32 потоковых моделей по AA-WER Streaming. На четырёх тестах — звонки, диалоги с Grok, номера и адреса, фразы ассистентов на 19 языках — она обставила 1.0. Но это данные самой компании, независимого подтверждения нет.
На коротких фразах WER рухнул с 20,6 до 6,8%, то есть примерно на 67%. Модель определяет язык и не сбивается при его смене, а числа, деньги и единицы измерения форматирует для 25 языков.
По API доступны пакетный и потоковый режимы. Opus жмёт примерно до 4 Кбайт/с против 48 Кбайт/с у PCM 24 кГц. Есть таймкоды, уверенность по словам, разделение собеседников без доплаты, до 8 каналов и 100 терминов. Плюс форматирование чисел и дат, вырезание слов-паразитов и определение конца реплики. Файлы до 500 Мбайт принимаются в 12 форматах, поток идёт через WebSocket. Идентификатор — grok-voice-transcribe-2.0; час обходится в $0,10 пакетно и $0,20 потоково.
Подтвердится точность — бизнес получит куда более надёжный инструмент для голоса. А это раздвинет рынок сервисов, где говорят, а не печатают.
—
