xAI上線兩個獨立音頻API，開放給開發者，用於語音代理、實時轉錄和播客等應用

xAI上線兩個獨立音頻API：Grok Speech to Text和Grok Text to Speech，均來自支撐Grok Voice、特斯拉車載系統和Starlink客服的同一音頻技術棧，此次以獨立端點形式開放給開發者，用於語音代理、實時轉錄、無障礙工具和播客等應用。

Grok Speech to Text提供REST批量轉錄和WebSocket實時流兩種模式，支持詞級時間戳、說話人分離、多通道識別以及口語到規範文本的Inverse Text Normalization，覆蓋25種以上語種並支持對話中無縫切換。Grok Text to Speech支持內聯Speech Tags控制情感和韻律，如[laugh]、[sigh]、[whisper]。xAI公佈的詞錯率對比顯示，在整體場景Grok爲6.9%，低於ElevenLabs的9.0%、Deepgram的11.0%和AssemblyAI的12.9%；電話通話實體識別場景差距更大，Grok爲5.0%。定價方面，STT批處理0.10美元/小時、流式0.20美元/小時，TTS爲4.20美元/100萬字符。

來源：公開信息