SpaceXAI 推出 Grok Voice Transcribe 2.0：多語言串流準確度提升一倍

2026 年 9 月 18 日，SpaceXAI 正式對外宣佈，其全新語音辨識 API 已經升級為 Grok Voice Transcribe 2.0（內部代號 grok-voice-transcribe-2.0），此版本在轉錄精度上較前代提升了一倍，同時每小時的使用費用保持不變，仍維持在原本的價格區間內。

根據 SpaceXAI 自行執行的基準測試，這款模型在處理短篇多語句音訊時的字錯率（WER）降至 6.8%，相較於 1.0 版的 20.6% 大幅下降，錯誤減少幅度約為六成七左右，測試範圍涵蓋了 19 種語言，且特別模擬了真實的混合語言使用情境，以驗證其跨語言的適應能力。

基準表現與公開排名

公司在新聞稿中引用了公共的 Artificial Analysis 排行榜，指出 Grok Voice Transcribe 2.0 目前在 32 種串流轉錄模型中以精準度排名第一，這一排名是基於獨立評估機構的測試結果，然而 SpaceXAI 並未在公告中透露具體的評估方法或評分細節。

除了字錯率的顯著提升之外，SpaceXAI 內部在四組專屬資料集——包括電話通話、對話語音、口述識別碼以及短篇多語句——的測試均顯示錯誤率下降，尤其在短句資料集上，錯誤率從 20.6% 降至 6.8%，證實了模型在不同語境下的穩定表現。

技術功能與 API 特色

Grok Voice Transcribe 2.0 同時支援批次模式與串流模式兩種使用方式；批次模式允許使用者將音訊檔案上傳至雲端進行離線處理，而串流模式則提供即時轉錄，並附帶詞級時間戳、說話者分離以及最多八條音訊通道的支援，所有功能皆包含在每小時 0.10 美元（批次）與 0.20 美元（串流）的基本費用內。

此模型具備自動語言偵測能力，能在錄音過程中即時切換語言辨識，對於多語言會議或客服通話中交替使用不同語言的情境特別有用，減少了手動分流或切換服務的需求。

除了基本的文字轉錄之外，API 會回傳格式化後的文字稿、對百項專業術語的重音標示，以及說話者分離資訊，且這些進階功能均不額外收費，與許多競爭對手必須額外付費才能取得說話者分離或時間戳的做法形成鮮明對比。

採用情況與生態系統整合

Atlassian 已將 Grok Voice Transcribe 2.0 整合至其 Loom 影片平台，利用該服務為錄製的會議與教學影片自動產生字幕，提升了影片的可存取性與搜尋能力。此服務仍由 SpaceXAI 完全托管，且目前尚未釋出可自行部署的開放權重模型。

• 每小時 0.10 美元的批次轉錄
• 每小時 0.20 美元的串流轉錄
• 支援 19 種語言的自動語言偵測
• 內建說話者分離與詞級時間戳

計價方式相當簡潔明瞭：僅依據實際處理的音訊時長收費，進階功能如說話者分離與時間戳均已包含在基礎價格內，這種設計旨在吸引需要可預測成本的大規模轉錄工作負載的企業客戶，降低了預算規劃的複雜度。

對以英語為主的組織意味著什麼

對於主要使用英語但同時與多語言客戶或合作夥伴互動的組織而言，Grok Voice Transcribe 2.0 提供單一 API 即可處理混合語言內容，免除將音訊分流至不同語言服務的需求，從而簡化了技術架構與運維流程。

短句錯誤率的顯著降低提升了自動筆記、合規紀錄與即時字幕的可靠性，企業因此可能減少人工編輯與校對的成本，提升整體工作效率。

說話者分離與詞級時間戳已納入基礎價格，使得這項服務更易於與現有的資料分析管線整合，企業可快速從通話與會議錄音中萃取關鍵洞見，支援後續的商業智能與客戶分析。

在台灣本地市場，許多使用中文、日文與英語混雜的跨國會議正逐步採用此服務，以因應多語言溝通的需求，同時確保轉錄品質與成本效益。