Wählen Sie Auto, TokenLab Verified oder Official für jede Anfrage, wobei die Preise vorab angezeigt werden. Neuigkeiten ansehen

xAI: Grok Voice STT

Grok Voice STT wandelt aufgezeichnetes Audio in Text um. Sprachhinweise und Zeitstempel-Steuerungen machen es nützlich für Transkripte, die in Untertitelung, Suche oder einen späteren Textanalyseschritt einfließen.
Modelle vergleichen
grok-voice-stt
VerfügbarxAISprache zu TextSynchron
Preis
Ab $0.000028
Modalitäten
Audio

Über Grok Voice STT

Grok Voice STT ist das Speech-to-Text-Modell von xAI, das aufgezeichnetes Audio in Texttranskripte umwandelt. Es akzeptiert gängige Audiodateiformate und liefert wortgenaue Zeitstempel. xAI dokumentiert separat Streaming, Sprecher- und Kanaltrennung sowie die Formatierung von Zahlen und Währungen je nach Sprache. Verwenden Sie es für Untertitel, durchsuchbare Besprechungsprotokolle und Anrufprotokolle, die für eine spätere Textanalyse dienen.

Stärken

  • Wortgenaue Zeitstempel erleichtern das Erstellen von Untertiteln, die Suche nach bestimmten Momenten und die Generierung von Untertiteldateien aus dem Transkript.
  • xAI dokumentiert Sprecher-Diarisierung und Mehrkanal-Transkription als native Optionen; prüfen Sie die aktuellen Modelldetails, bevor Sie sich hier darauf verlassen.
  • Sprachhinweise und ein Prompt-Schlüsselwort lenken die Erkennung auf Produktnamen und Fachjargon.
  • Die Textformatierung gibt Zahlen, Daten und Währungen so wieder, wie sie in der gesprochenen Sprache geschrieben werden.

Alternativen

  • Es erstellt nur Transkripte; für das Zusammenfassen, Übersetzen oder Beantworten von Fragen basierend auf dem Audio ist anschließend ein Textmodell erforderlich.
  • Bei sehr verrauschten Aufnahmen muss möglicherweise der Schwellenwert für die Spracherkennung angepasst oder das Eingangssignal bereinigt werden, bevor die Genauigkeit akzeptabel ist.

Erste Schritte

  1. API-Schlüssel erstellen

    Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.

  2. Senden Sie Ihre erste Anfrage

    Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.

    Sprache zu TextTokenLab-Endpunkt
    POST/v1/audio/transcriptions
    curl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \
      -H "Authorization: Bearer sk-xxx" \
      -F file="@audio.mp3" \
      -F operation="stt" \
      -F response_format="json" \
      -F model="grok-voice-stt" \
      -F language="en"

Parameter

Sprache zu Text

ParameterWerte und GrenzenStandardwertHinweise
fileEingaben: ≥ 1, ≤ 1Nicht angegebenSend one audio file in multipart/form-data. Maximum file size is 25 MiB.
languageNicht angegebenNicht angegebenThis field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.
promptNicht angegebenNicht angegebenNicht angegeben
response_formatjson, text, verbose_jsonjsonNicht angegeben
timestamp_granularitieswordNicht angegebenNicht angegeben

Preise

Der Verified-Preis gilt für Verified und ist bei den meisten Modellen günstiger. Der Official-Preis ist der veröffentlichte Preis des Modellherstellers und gilt für die zuverlässigere Official-Route. Auto rechnet die Route ab, die die Anfrage abschließt.

Preise

pro Sekunde
Verified-Preis
—
Official-Preis
$0.000028pro Sekunde

Nutzung & Aktivität

Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.

Nutzung & Verfügbarkeit

Letzte 24 Stunden
Anfragen
Erfolgsrate
P95-Latenz
Token gesamt
Modellleistung
Metriken erscheinen, sobald die Schwellenwerte für Datenschutz und Datenvolumen erreicht sind.

Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.

In Console öffnen

Öffne Grok Voice STT in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.

Teste grok-voice-stt mit einer kurzen Audio-Anfrage an /v1/audio/transcriptions. Zeige Ergebnis und Kosten.

Anwendungsfälle

  • Besprechungsprotokolle

    Transkribieren Sie einen aufgezeichneten Anruf in Text mit Zeitangaben und leiten Sie diesen zur Extraktion von Aufgaben an einen Zusammenfassungsdienst weiter.

  • Untertitel für Videos

    Generieren Sie zeitgesteuerte Untertitel aus der Audiospur eines hochgeladenen Videos unter Verwendung der Zeitangaben.

  • Qualitätsprüfung im Callcenter

    Transkribieren Sie Anrufaufzeichnungen und durchsuchen Sie den Text nach Compliance-Phrasen. Sprecher- oder Kanalbezeichnungen sind eine native xAI-Option, die hier in den Modelldetails nicht aufgeführt ist.

Prompt-Beispiele

Transkribieren Sie diesen 20-minütigen Podcast-Clip auf Englisch mit wortgenauen Zeitstempeln.

Transkribieren Sie den angehängten Kundenanruf und verwenden Sie die Schlüsselbegriffe 'Zyntra', 'OmniPlan' und 'SLA', um die Erkennung zu beeinflussen.

Wandeln Sie diese spanische Sprachnotiz in Text um und formatieren Sie die Beträge als Währung.

FAQ

Was macht Grok Voice STT?

Es wandelt Audio in Text um. Sie senden eine Audiodatei und erhalten ein Transkript, das je nach gewählten Optionen wortgenaue Zeitstempel enthalten kann. Der native Dienst von xAI dokumentiert zudem Sprecherbezeichnungen und kanalbezogenen Text.

Welche Audioformate können gelesen werden?

xAI listet zwölf Formate auf, darunter MP3, WAV, FLAC und Opus. Für den hier verlinkten Transkriptions-Endpunkt laden Sie eine Audiodatei mit maximal 25 MB hoch. Der native Dateiendpunkt von xAI dokumentiert eine separate Obergrenze von 500 MB, die das hier geltende Upload-Limit nicht erweitert.

Wird Live-Transkription unterstützt?

xAI dokumentiert einen separaten Streaming-Endpunkt mit Zwischenergebnissen. Die hier verlinkten Modelldetails bewerben derzeit nur die Dateitranskription; planen Sie daher das Hochladen von Dateien ein. Prüfen Sie den aktuellen Modellvertrag, bevor Sie sich auf Live-Transkription verlassen.

Wie viele Sprachen werden abgedeckt?

xAI dokumentiert mehr als 25 Sprachen für die Transkription und sprachspezifische Formatierung. Geben Sie einen Sprachhinweis an, wenn Sie die Sprache kennen, damit die Erkennung nicht raten muss.

Kann das Modell Sprecher unterscheiden?

xAI dokumentiert Diarisierung und Mehrkanalmodus als separate native Optionen. Die hier verlinkten Modelldetails führen weder Diarisierung noch Mehrkanal auf, und die einfache Anforderung von Sprecherbezeichnungen aktiviert diese Funktionen nicht. Prüfen Sie den aktuellen Modellvertrag, bevor Sie sich darauf verlassen.

Was kostet Grok Voice STT?

Auf TokenLab kostet Grok Voice STT $0.000028 pro Sekunde. Die vollständige Aufschlüsselung steht in der Preistabelle oben.

Welchen Endpunkt soll Grok Voice STT verwenden?

Verwenden Sie https://api.tokenlab.sh/v1/audio/transcriptions für Grok Voice STT. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.

Welche Operationen unterstützt Grok Voice STT?

Grok Voice STT unterstützt Sprache zu Text. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.

Grok Voice STT vergleichen

Quellen

Geprüft am 02.10.2026

Mehr aus der Grok Voice-Serie

Ähnliche Modelle