xAI выпустила модель распознавания речи Grok Voice Transcribe 2.0
Компания заявляет, что новая версия вдвое точнее предшественницы при той же цене. В Artificial Analysis она заняла первое место среди 32 потоковых моделей.
Новая модель распознавания речи
xAI представила Grok Voice Transcribe 2.0. По тестам компании на реальных записях, версия вдвое точнее Grok Voice Transcribe 1.0 при той же цене. В Artificial Analysis она заняла первое место среди 32 потоковых моделей.
Модель основана на Grok Voice, которая, по данным xAI, обрабатывает десятки тысяч звонков поддержки в день и расшифровывает миллионы часов видео. Обучение включало шумные многоязычные аудиозаписи и несколько говорящих.
Область применения
xAI сообщает об использовании распознавания в голосовых агентах, включая ассистента Grok в автомобилях Tesla. Это не гарантирует одинаковой точности при любых языках и условиях записи.
Двукратное улучшение — оценка разработчика; рейтинг Artificial Analysis основан на отдельном тестовом наборе. Абсолютные значения ошибок и подробная методика в объявлении не приведены.
Внутренние проверки Grok Voice Transcribe 2.0 используют четыре набора из производственного трафика: телефонные звонки поддержки, разговоры с Grok, произносимые коды и адреса электронной почты, а также короткие многоязычные команды. xAI сообщает об улучшении относительно первой версии на всех четырёх наборах.
На телефонной речи модель, по заявлению xAI, опередила все модели, с которыми её сравнивали. Компания использует показатель частоты ошибок слов, однако в анонсе не раскрывает абсолютные значения. Особенно трудны номера, адреса и перекрывающиеся голоса.
На коротких голосовых командах xAI сообщает о снижении доли ошибок с 20,6% до 6,8%. Модель автоматически определяет язык и его смену, расставляет временные метки и оценки уверенности для слов, различает говорящих и обрабатывает до восьми каналов аудио. Для терминологии можно задать до 100 специальных слов; также модель форматирует даты, суммы и контакты.
Версия доступна через Speech-to-Text API и, по заявлению xAI, совместима с прежним кодом. Atlassian Loom выбрала её для расшифровки видео и сообщила о большей точности по сравнению с прежним решением. Первое место и сравнение точности основаны на наборах тестов и заявлениях компании; независимые условия сравнения в исходном материале ограничены.