Grok расшифровывает речь втрое точнее: 6,8% ошибок вместо 20,6%

Речь она превращает в текст точнее прошлой версии, а платить xAI просит столько же. Русский язык в списке поддержанных.

Раньше и теперь. Версия 1.0 на коротких мультиязычных фразах путала 20,6% слов, новая путает 6,8% (19 языков, замер xAI, 18.09.2026). Соперники в стриминге отстают: Meta Muse 3,1%, ElevenLabs Scribe v2 3,6%, сама v1.0 3,9% (Artificial Analysis, 21.09.2026). Финальный транскрипт приходит за 0,49 секунды.

Что входит в цену. $0,10 за час аудио в батче и $0,20 за час в стриминге, как у версии 1.0. Разделение спикеров, пословные тайм-стемпы, подсказку ключевых терминов и форматирование xAI отдаёт без доплат.

Попробовать без кода можно в консоли console.x.ai. В коде это POST на https://api.x.ai/v1/stt с ключом в заголовке и полями model=grok-voice-transcribe-2.0 и file=@audio.mp3. Файл берут до 500 MB, форматов 12, ключевых терминов до 100 на запрос.

Стриминг идёт по WebSocket на wss://api.x.ai/v1/stt: клиент шлёт аудио бинарными фреймами, а с параметром interim_results модель отдаёт черновой текст примерно каждые 500 мс. Форматирование работает для 24 языков, включая русский, и смену языка внутри одной записи модель ловит за один проход.

В Atlassian модель уже расшифровывает записи в Loom. Весов xAI не открыла, так что запустить её у себя не выйдет: только API.

Версия 1.0 доживает последние недели: кто не запинит её явно, переедет на 2.0 сам.