Grok Voice Transcribe 2.0 API：语音转文字、流式转写、价格与迁移

1. Grok Voice Transcribe 2.0 是什么

Grok Voice Transcribe 2.0 是 xAI 的第二代专用 Speech-to-Text 模型。官方发布说明称它在相同价格下提升了真实环境音频的识别准确率，重点覆盖电话线路、多人对话、本地口音、数字、邮箱地址和多语言短指令。

准确率数字与排行榜来自 xAI 和其引用的第三方评测，不应直接当作你的生产成功率。中文客服、粤语夹杂、行业术语和窄带电话都需要用自己的脱敏音频单独测试。

2. 主要功能与限制

能力	官方支持	实施注意
批量与流式	文件/URL、WebSocket	两种模式价格不同
词级时间戳	start / end / confidence	用于字幕与检索切片
说话人分离	`diarize=true`	多人重叠语音仍需实测
多声道	最多 8 声道	客服与客户分轨优于事后猜测
关键词偏置	最多 100 个术语	适合产品名、药名和专有名词
文本格式化	数字、日期、货币、电话和邮箱	需要设置语言并开启 format
填充词	默认移除，可选择保留	法律取证或质检需明确策略

批量文件上限为 500 MB，支持常见 WAV、MP3、OGG、Opus、FLAC、AAC、MP4、M4A 和 MKV，以及需要声明采样率的 PCM、µ-law、A-law 原始音频。

3. 批量语音转文字 API

xAI 官方批量端点是 POST https://api.x.ai/v1/stt，请求使用 multipart/form-data，必须提供 file 或 url。官方特别说明：上传文件字段应放在其他表单参数之后，否则流式 multipart 实现可能忽略后续字段。

官方 xAI 批量请求示例

curl -X POST https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-voice-transcribe-2.0 \
  -F format=true \
  -F language=zh \
  -F "keyterm=产品名称" \
  -F file=@meeting.mp3

响应包含完整文本、自动检测语言、音频时长和词级时间戳。开启说话人分离后，词项还会包含 speaker；开启多声道时，结果按 channels 数组返回。

4. WebSocket 实时流式转写

实时端点为 wss://api.x.ai/v1/stt。音频作为二进制 WebSocket 帧发送，不需要 base64；配置通过 URL 查询参数完成。客户端应等到 transcript.created 后再发送音频，并处理 partial、done 和 error 事件。

流式连接示例

wss://api.x.ai/v1/stt?
model=grok-voice-transcribe-2.0&
sample_rate=16000&
encoding=pcm&
interim_results=true&
smart_turn=0.7&
smart_turn_timeout=3000

interim_results=true 会约每 500 ms 返回可能变化的临时文本；is_final=true 表示文本片段已经锁定；speech_final=true 才表示本次话语结束。Smart Turn 用模型判断沉默是否真的是轮次结束，适合数字听写和用户思考停顿。

不要在浏览器或移动端暴露长期 xAI API Key。官方文档要求通过自己的后端代理 WebSocket。网络层还要处理心跳、断线、重复片段和最终 transcript.done 未到达的情况。

5. 官方价格和从 1.0 迁移

xAI 公布的价格为批量转写每小时音频 $0.10，流式转写每小时 $0.20；说话人分离、时间戳和关键词功能包含在价格内。价格与 1.0 相同，但最终账单仍应以 xAI Console 为准。

xAI 表示 2.0 将很快成为 Speech-to-Text API 默认模型，1.0 会在接下来数周弃用。已有接口无需代码变化就能获得默认模型升级，但生产系统不应该依赖这种静默切换：

把现有模型显式固定为 grok-voice-transcribe-1.0，保留回滚窗口。
用相同音频分别跑 1.0 和 2.0，比较词错误、时间戳、说话人和格式化结果。
通过后再将配置改为 grok-voice-transcribe-2.0。
保留每次请求的模型 ID、音频时长、参数和账单。
确认回滚完成后，再移除 1.0 依赖。

6. 上线前测试清单

建议至少准备四类脱敏音频：8 kHz 电话、多人会议、包含数字/邮箱的客服录音、多语言短指令。每类同时测试批量和流式模式，记录词错误、漏字、说话人切分、最终事件延迟与费用。

关键词偏置不能替代真实发音测试；
较低 VAD 阈值可能识别安静语音，也可能把噪声写成文字；
Opus 流式必须保证一个 WebSocket 帧只含一个完整 Opus packet；
多声道客服录音优先按 channel 分轨，不要同时依赖 diarization 猜测；
字幕系统要区分临时文本、片段 final 和整句 speech_final。

截至 2026 年 9 月 19 日，本站公开模型目录没有可核验的 Grok Voice Transcribe 2.0 条目。本文介绍的是 xAI 官方 API，不代表本站现有 OpenAI 兼容 Base URL 已支持 /v1/stt。

7. 常见问题

Grok Voice Transcribe 2.0 是 Grok 4.6 的升级吗？

不是。2.0 是专用语音转文字模型；Grok 4.6 是通用文本/多模态旗舰。

不填写 model 会怎样？

xAI 当前文档称 2.0 是默认值，但生产环境仍应显式填写模型 ID，避免默认模型变化造成不可追溯的结果差异。

批量和流式该怎么选？

已有文件、会议归档和视频字幕选批量；客服、实时字幕和语音 Agent 选流式。

本站可以直接调用这个模型吗？

尚未核验。本文代码使用 xAI 官方端点；本站控制台是否开放 STT 需要另行确认。

官方来源：xAI 2026-09-18 发布说明与xAI Speech-to-Text 文档。核对日期：2026-09-19。