xAI 发布 Grok Voice Transcribe 2.0：官方称准确率翻倍、价格不变，可转写多语混说
xAI 于 2026 年 9 月 18 日发布语音转文字模型 Grok Voice Transcribe 2.0。官方称准确率是 1.0 的两倍，价格维持批量每小时 0.10 美元、流式每小时 0.20 美元；多语言转写进步最大，可跟随录音中途切换语言。
xAI（SpaceXAI）于 2026 年 9 月 18 日发布新一代语音转文字模型 Grok Voice Transcribe 2.0，API 模型代号为 grok-voice-transcribe-2.0，当天即正式可用。新版与 1.0 并存，目前 API 的默认仍是 1.0，开发者需要自行指定新模型代号才会切换。
官方称 2.0 的准确率是 1.0 的两倍，而价格完全不变：批量转写每小时音频 0.10 美元，实时流式每小时 0.20 美元。xAI 还透露，Grok Voice 目前每天处理数万通客服电话、已转写数百万小时的视频旁白，也驱动特斯拉车内的 Grok 语音助手。
这次升级了什么
根据官方与开发者文档（release notes）的说明，2.0 的主要功能如下：
- 逐词时间戳，并附上每个词的置信度
- 说话人分离（diarization），不另外收费
- 多声道转写，最多支持 8 个声道
- 关键词偏置：每次请求最多可指定 100 个关键词，用来提高专有名词、产品名的识别率
- 自动格式化数字、日期、货币、电话号码与电子邮箱
- 去除“嗯、呃”等口头语
- 为语音智能体设计的智能断句
最大进步在多语言
xAI 表示多语言转写是这一版进步最大的地方：支持数十种语言、能自动识别语言，而且当说话人在录音中途换语言时，模型可以跟着切换，一次完成整段转写，不必先把音频按语言切分。这对于中英、泰英夹杂的对话场景特别有意义——说话人中途切换语言、同一段录音夹杂多种语言，一直是语音转写的难点。
与前代及竞品的比较
官方公布的测评结果是：在四组内部测评集上，2.0 全面优于 1.0；在一组 8 kHz 英语客服电话测试集上，2.0 领先所有受测模型。需要注意的是，这些都是 xAI 的内部测评，且“领先”限定在英语电话音质的测试集，并非全面性的第三方排名。8 kHz 是传统电话线路的采样率，音质远差于会议录音；官方选择展示这组数据，可以看出客服中心是其主攻方向之一。
从市场背景看，本月初 Meta 刚推出 Muse Voice Transcribe，OpenAI、谷歌也各有语音转写方案。语音转文字正变成低价的基础服务，比拼重点已转向电话音质、多语混说、格式整理等落地细节。xAI“准确率提升、价格不动”的做法，可视为以性价比争取企业客服与音视频平台的用量。
对管理者的意义
按官方价格计算，一千小时的客服录音批量转写约 100 美元，成本已低到可以“全部转、全部分析”，而不是抽样听。对在泰国经营、员工与客户常中泰英混说的企业而言，能跟随语言切换的转写，是把客服电话、会议纪要变成可检索数据的关键一步。建议先挑一批真实录音，同时用 1.0、2.0 与现用工具对照，重点检查泰文、人名与产品名的准确率，并善用关键词偏置加入公司专有名词，再决定是否引入；涉及客户个人信息的录音，也要先确认符合泰国 PDPA 的告知与保存规范。