xAI于近日推出新一代语音转写模型Grok Voice Transcribe 2.0，距离1.0版本发布尚不满一年。官方表示，新模型在真实场景评测中的准确率达到前代的两倍，而API调用价格保持不变，延续了xAI在语音基础设施上的迭代节奏。

在第三方评测机构Artificial Analysis公布的公开榜单中，Grok Voice Transcribe 2.0在32个流式（streaming）语音识别模型中准确率排名第一。流式识别要求模型在音频输入的同时实时输出文本，对延迟和稳定性要求较高，这一排名意味着该模型在实时转写场景中具备竞争力。

多语言能力是本轮升级幅度最大的方向。xAI披露，在短短语集合测试中，Grok Voice Transcribe 2.0的词错误率（WER）从1.0版本的20.6%下降至6.8%，降幅接近三分之二。短短语通常指对话中的碎片化表达，对上下文依赖强，此前是语音转写模型的薄弱环节。

价格不变叠加准确率翻倍，xAI显然希望以性价比切入语音转写市场。对于依赖实时字幕、会议记录或语音交互的开发者而言，多语言词错率的大幅下降可能降低后处理成本。不过，xAI未披露该模型的具体参数量、训练数据规模及支持的语言清单，实际部署效果仍需开发者自行验证。