SpaceXAI lança Grok Voice Transcribe 2.0 com precisão dobrada

Em 18 de setembro de 2026, a SpaceXAI anunciou a disponibilidade geral do Grok Voice Transcribe 2.0 por meio de sua API de reconhecimento de fala, identificada oficialmente como grok-voice-transcribe-2.0. A empresa descreve o novo serviço como uma atualização direta do Grok Voice Transcribe original, enfatizando que a precisão da transcrição foi dobrada sem alteração no custo por hora de uso.

Segundo a própria avaliação da SpaceXAI, o modelo agora atinge uma taxa de erro de palavra (WER) de 6,8 % em frases curtas multilíngues, contra 20,6 % da versão 1.0. Essa diferença corresponde a cerca de 67 % de redução de erros para o conjunto de teste específico, que abrange 19 idiomas e simula falas reais em múltiplas línguas.

Desempenho de benchmark e classificação pública

A empresa cita o ranking público do Artificial Analysis, onde o Grok Voice Transcribe 2.0 ocupa atualmente o primeiro lugar em precisão entre 32 modelos de transcrição em streaming. A SpaceXAI observa que a classificação se baseia em avaliações independentes, embora a metodologia exata do ranking não tenha sido divulgada no comunicado.

Além da melhoria no WER, testes internos em quatro conjuntos de dados proprietários — chamadas telefônicas, fala conversacional, identificadores ditados e frases curtas multilíngues — mostraram reduções consistentes de erros em todos os domínios. Os ganhos mais dramáticos foram observados no conjunto de frases curtas, onde a queda de 20,6 % para 6,8 % foi registrada.

Capacidades técnicas e recursos da API

O Grok Voice Transcribe 2.0 oferece suporte a modos batch e streaming. No modo batch, os usuários enviam arquivos de áudio para processamento offline; no modo streaming, a transcrição ocorre em tempo real, acompanhada de marcações de tempo por palavra, diarização de palestrantes e suporte a até oito canais de áudio simultâneos. Todos esses recursos são incluídos no preço base de US$ 0,10 por hora para batch e US$ 0,20 por hora para streaming.

O modelo detecta automaticamente o idioma falado e pode mudar a detecção durante a gravação, recurso especialmente útil para reuniões multilíngues ou chamadas de suporte ao cliente nas quais agentes e interlocutores alternam entre diferentes línguas.

Além da transcrição básica, a API devolve texto formatado, acentuação correta de uma lista curada de cem termos especializados e separação de palestrantes, tudo sem custos adicionais. Essa oferta integrada contrasta com muitos concorrentes que cobram extra por diarização ou marcações de tempo.

Adoção e integração no ecossistema

A Atlassian já integrou o Grok Voice Transcribe 2.0 à sua plataforma de vídeo Loom, permitindo a geração automática de legendas em gravações de reuniões, webinars e tutoriais. O serviço continua hospedado pela SpaceXAI, que não disponibilizou nenhum modelo de peso aberto para implantação on‑premises.

• US$ 0,10 por hora para transcrição batch
• US$ 0,20 por hora para transcrição streaming
• Detecção automática de idioma para 19 idiomas
• Diarização de palestrantes e marcações de tempo por palavra incluídas

A estrutura de preços é simples: os clientes são cobrados apenas pelo número de horas de áudio processado, sem taxas ocultas para recursos avançados. Essa transparência tem como objetivo atrair empresas que precisam de modelos de custo previsível para grandes volumes de transcrição.

O que isso significa para organizações que operam em português

Para organizações que utilizam principalmente o português, mas atendem clientes ou parceiros multilíngues, o Grok Voice Transcribe 2.0 oferece uma única API capaz de lidar com conteúdo em vários idiomas sem a necessidade de encaminhar o áudio para serviços específicos de cada língua. A taxa de erro reduzida em frases curtas aumenta a confiabilidade de anotações automáticas, registros de conformidade e legendas em tempo real, diminuindo os custos de edição manual.

Além disso, a inclusão de diarização de palestrantes e marcações de tempo no preço base simplifica a integração com pipelines de análise, permitindo extração mais rápida de insights de gravações de chamadas e videoconferências, especialmente em ambientes corporativos que exigem auditoria detalhada.

Empresas de contact center podem, por exemplo, usar a API para gerar transcrições instantâneas de interações com clientes, identificar rapidamente falhas de serviço e alimentar sistemas de aprendizado de máquina que aprimoram o atendimento ao cliente em tempo real.

Startups de tecnologia educacional também se beneficiam, pois podem automatizar a geração de legendas em aulas gravadas, suportando alunos surdos ou aqueles que preferem acompanhar o conteúdo em texto enquanto assistem ao vídeo.

A SpaceXAI reforça que o modelo foi treinado com dados balanceados em todos os 19 idiomas suportados, garantindo que a precisão não caia significativamente quando o áudio contém mistura de línguas, como acontece frequentemente em conferências internacionais.

Por fim, a empresa indica que continuará aprimorando o modelo, com atualizações trimestrais previstas para incorporar novos vocabulários setoriais e melhorar ainda mais a robustez em ambientes ruidosos.

Em São Paulo, a startup de fintech FinTechBrasil já começou a testar o Grok Voice Transcribe 2.0 em seu fluxo de suporte ao cliente, relatando uma diminuição de 30 % no tempo gasto para revisar transcrições e um aumento perceptível na qualidade das análises de chamadas multilíngues.