SpaceXAI обещает вдвое меньше ошибок в распознавании речи

Post Thumbnail

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.

—

Телеграм про право в IT и AI. IT юристы — PravoWeb.com
Почитать из последнего
ИИ-ассистент научили разбирать документы и алерты
Главный вопрос корпоративного ИИ прост: что будет с данными после запроса? РТК-ЦОД предлагает не рисковать ими. На форуме «Цифровые решения» компания с блоком ИТ «Ростелекома» представила ассистента для организаций с жёсткими требованиями к защите.
К 2027 году чипов хватит на миллиарды ИИ-агентов
Похоже, у ИИ скоро вылезет проблема, которую не залатать покупкой ещё одного чипа. По расчётам Epoch AI, вычислительной мощности, выпущенной с 2025 по 2027 год, хватит для одновременной работы от 33 до 171 млн агентов уровня передовых моделей.
Kandinsky научился лепить видео со звуком
ИИ-видео всё меньше смахивает на немой клип. «Сбер» показал Kandinsky 6.0 Video - модель, которая разом генерит картинку и звук: речь персонажей, музыку и шумы окружения.
Три профессии, которые ИИ уже плодит прямо сейчас
ИИ перетряхивает рынок труда не только тем, что съедает привычные задачи. Вместе с автоматизацией вылезают специалисты, которых ещё несколько лет назад никто бы не вообразил, и часть таких профессий формируется на глазах.
Google научила эмбеддинги переваривать сразу пять типов данных
Google порешила, что эмбеддингам хватит возиться с одним текстом. Компания выкатила вторую версию EmbeddingGemma: теперь система сваливает в общее векторное пространство текст, код, изображения, видео и аудио. Так что на вход можно подавать сразу несколько типов данных.