xAI 發表 Grok Voice Transcribe 2.0：官方稱準確度翻倍、價格不變，可轉寫多語混講

xAI（SpaceXAI）於 2026 年 9 月 18 日發表新一代語音轉文字模型 Grok Voice Transcribe 2.0，API 模型代號為 grok-voice-transcribe-2.0，當天即正式可用。新版與 1.0 並存，目前 API 的預設仍是 1.0，開發者需要自行指定新模型代號才會切換。

官方宣稱 2.0 的準確度是 1.0 的兩倍，而價格完全不變：批次轉寫每小時音檔 0.10 美元，即時串流每小時 0.20 美元。xAI 並透露，Grok Voice 目前每天處理數萬通客服電話、已轉寫數百萬小時的影片旁白，也驅動 Tesla 車內的 Grok 語音助理。

這次升級了什麼

依官方與開發者文件（release notes）的說明，2.0 的主要功能如下：

• 逐字時間戳記，並附上每個字的信心分數
• 講者分離（diarization），不另外加價
• 多聲道轉寫，最多支援 8 個聲道
• 關鍵詞偏置：每次請求最多可指定 100 個關鍵詞，用來提高專有名詞、產品名的辨識率
• 自動格式化數字、日期、貨幣、電話號碼與 email
• 移除「嗯、呃」等贅詞
• 為語音 agent 設計的智慧斷句

最大進步在多語言

xAI 表示多語言轉寫是這一版進步最大的地方：支援數十種語言、能自動偵測語言，而且當說話者在錄音中途換語言時，模型可以跟著切換，一次完成整段轉寫，不必先把音檔依語言切段。這對於中英、泰英夾雜的對話場景特別有意義——說話者中途切換語言、同一段錄音夾雜多種語言，一直是語音轉寫的難點。

與前代及競品的比較

官方公布的評測結果是：在四組內部評測集上，2.0 全面優於 1.0；在一組 8 kHz 英語客服電話測試集上，2.0 領先所有受測模型。需要注意的是，這些都是 xAI 的內部評測，且「領先」限定在英語電話音質的測試集，並非全面性的第三方排名。8 kHz 是傳統電話線路的取樣率，音質遠差於會議錄音；官方選擇展示這組資料，可以看出客服中心是其鎖定的主戰場之一。

在市場脈絡上，本月初 Meta 才推出 Muse Voice Transcribe，OpenAI、Google 也各有語音轉寫方案。語音轉文字正變成低價的基礎服務，比拼重點已轉向電話音質、多語混講、格式整理等落地細節。xAI「準確度提升、價格不動」的做法，可視為以性價比爭取企業客服與影音平台的用量。

對管理者的意義

以官方價格計算，一千小時的客服錄音批次轉寫約 100 美元，成本已低到可以「全部轉、全部分析」，而不是抽樣聽。對在泰國經營、員工與客戶常中泰英混講的企業而言，能跟隨語言切換的轉寫，是把客服電話、會議紀錄變成可搜尋資料的關鍵一步。建議先挑一批真實錄音，同時用 1.0、2.0 與現用工具對照，特別檢查泰文、人名與產品名的正確率，並善用關鍵詞偏置放入公司專有名詞，再決定是否導入；涉及客戶個資的錄音，也要先確認符合泰國 PDPA 的告知與保存規範。