价格没有变，生产问题却换了一个焦点

SpaceXAI 发布了 Grok Voice Transcribe 2.0，一款通过 Speech to Text API 提供批处理和实时流式识别的语音转文字模型，面向嘈杂电话、多人同时说话、地方口音以及口述电话号码、邮箱和地址等困难音频。模型今天已经可以通过模型 ID `grok-voice-transcribe-2.0` 调用，但它是托管 API，SpaceXAI 没有公布开放权重，因此不支持自托管。官方称它相较 1.0 准确度提升至两倍，而价格保持不变。

这次变化值得技术负责人认真看待，不是因为又出现了一个排行榜高分模型，而是因为语音系统的瓶颈往往不在“能不能听见一句话”。真正影响生产结果的是短指令是否被听对，停顿会不会被误判为说完，多人对话能否分开，以及转写结果能否直接进入后续动作。SpaceXAI 把这些能力放进同一个 API，竞争焦点也就从单一 WER，转向整条语音链路的失败率和接入成本。

它改进的不是一个抽象分数，而是几类高代价场景

Grok Voice Transcribe 2.0 建立在 Grok Voice 背后的音频基础模型之上。SpaceXAI 表示，训练和后训练使用了真实生产环境中的多语言、嘈杂音频，相关系统已经处理每天数万通客服电话、数百万小时的视频旁白，并为 Tesla 车辆中的 Grok 助手提供语音能力。这个背景解释了模型为什么把电话、车载指令和多人对话列为重点，但它仍然是厂商对数据和流程的描述，不能替代外部复现。

官方披露的最具体数字来自 19 种语言的短语测试：1.0 的词错误率为 20.6%，2.0 降至 6.8%，约减少 67% 的词错误。短语比长句更难依靠上下文纠错，也更容易让语言自动识别失效，因此这个结果对车载命令和语音代理更有直接参考价值。不过，词错误减少 67% 并不等于业务动作失败减少 67%。一个电话号码只错一个数字，可能就足以让一次身份确认或回拨流程失败。

Smart Turn 说明：语音代理先要知道什么时候该动手

这套 API 的关键变化之一是 Smart Turn。传统做法可以用固定静音时长判断一句话是否结束，但用户在读电话号码、地址或一串代码时，短暂停顿并不代表已经说完。Smart Turn 会对停顿进行判断，试图区分句中停顿和真正的回合结束，从而减少过早截断，也减少系统因为等待过久而拖慢交互的情况。

这一点对实时语音代理的影响，可能比离线转写中的几个百分点更大。代理只有在正确切分用户输入后，才能决定何时调用工具、何时继续等待，或何时向用户确认。API 同时提供说话人区分、词级起止时间和置信度、关键词偏置，以及结构化格式输出，意味着团队可以少维护一部分“转写之后再加工”的胶水逻辑。批处理和 WebSocket 流式模式也共用这一能力集合，但这不表示所有任务都能用同一套阈值和提示策略解决。

证据看起来很强，但还不足以证明全面领先

SpaceXAI 报告称，2.0 在 Artificial Analysis 的 AA-WER Streaming 公开榜单中，在 32 个流式模型里排名第一。这个榜单使用约 8 小时音频，其中 AA-AgentTalk、VoxPopuli 和 Earnings22 的权重分别为 50%、25% 和 25%。与此同时，SpaceXAI 还用四组来自生产流量的内部数据测试模型，包括 8 kHz 英文客服电话、英文对话、英文凭证信息，以及 19 种语言的短语，并称 2.0 在四组数据上都优于 1.0。

这些证据足以支持“值得进入候选名单”，却不足以支持“在所有场景全面领先”。公开榜单的音频量有限，内部测试由厂商报告且没有独立复现，完整的对手名单和不同音频条件下的误差分布也没有在材料中给出。技术团队如果只看榜首和 6.8% 这个数字，容易把模型级指标误读为任务级可靠性，尤其会忽视关键实体、代码、金额和地址的单点错误。

接入成本下降了，控制权也被锁在托管服务里

价格维持在批处理每音频小时 0.10 美元、流式每音频小时 0.20 美元，按 1,000 分钟计算约为 1.67 美元和 3.33 美元。说话人区分、时间戳和关键词能力包含在同一 API 中，文档还给出了 500 MB 文件上限、最多 8 个音频通道、每次最多 100 个关键词且单个关键词不超过 50 个字符等边界。对已有多个组件的团队，这种组合可能比单独购买转写、分段和后处理服务更容易维护。

但第一次接入时必须显式指定模型 ID，因为省略 `model` 的请求目前仍会解析到 1.0。更重要的是，托管 API 意味着团队无法通过开放权重、自建推理或本地微调来控制数据路径和模型版本。对于客服和视频工作流，可以先把 2.0 放在影子流量中，比较短指令完成率、端点截断率、说话人分离错误和关键字段校验后的最终成功率，而不是只复算 WER。涉及电话号码、地址、邮箱、金额或身份凭证时，转写结果应继续经过格式校验、二次确认或业务系统核对。