Elija Auto, TokenLab Verified o Official para cada solicitud, con los precios mostrados por adelantado. Ver las novedades

xAI: Grok Voice STT

Grok Voice STT convierte audio grabado en texto. Las sugerencias de idioma y los controles de marca de tiempo lo hacen útil para transcripciones que alimentarán subtítulos, búsquedas o un paso posterior de análisis de texto.
Comparar modelos
grok-voice-stt
DisponiblexAIVoz a textoSíncrono
Precio
Desde $0.000028
Modalidades
Audio

Sobre Grok Voice STT

Grok Voice STT es el modelo de voz a texto de xAI, que convierte audio grabado en transcripciones de texto. Acepta formatos de archivo de audio comunes y devuelve marcas de tiempo a nivel de palabra, y xAI documenta por separado la transmisión, la separación de altavoces y canales, y el formato de números y divisas según el idioma. Úselo para subtítulos, registros de reuniones con capacidad de búsqueda y transcripciones de llamadas que alimenten un análisis de texto posterior.

Puntos fuertes

  • Las marcas de tiempo a nivel de palabra facilitan la creación de subtítulos, la búsqueda de momentos específicos y archivos de subtítulos a partir de la transcripción.
  • xAI documenta la diarización de altavoces y la transcripción multicanal como opciones nativas; consulte los detalles actuales del modelo antes de confiar en ellas aquí.
  • Las sugerencias de idioma y una palabra clave de aviso orientan el reconocimiento hacia nombres de productos y jerga.
  • El formato de texto representa números, fechas y divisas tal como los escribe el idioma hablado.

Cuándo buscar otra opción

  • Solo produce transcripciones; resumir, traducir o responder a partir del audio requiere un modelo de texto posterior.
  • Las grabaciones con mucho ruido pueden requerir ajustar el umbral de detección de voz o una entrada más limpia antes de que la precisión sea aceptable.

Primeros pasos

  1. Crear clave API

    Genera una clave en Console y úsala con cualquier modelo de la plataforma.

  2. Envía tu primera solicitud

    Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

    Voz a textoEndpoint de TokenLab
    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"

Parámetros

Voz a texto

ParámetroValores y límitesPredeterminadoNotas
fileEntradas: ≥ 1, ≤ 1No especificadoSend one audio file in multipart/form-data. Maximum file size is 25 MiB.
languageNo especificadoNo especificadoThis 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.
promptNo especificadoNo especificadoNo especificado
response_formatjson, text, verbose_jsonjsonNo especificado
timestamp_granularitieswordNo especificadoNo especificado

Precios

El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.

Precios

por segundo
Precio Verified
—
Precio Official
$0.000028por segundo

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas
Solicitudes
Tasa de éxito
Latencia P95
Total de tokens
Desempeño del modelo
Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre Grok Voice STT en Console con un prompt listo para editar o enviar.

Ayúdame a probar grok-voice-stt con una solicitud de audio breve en /v1/audio/transcriptions. Muestra el resultado y el coste.

Casos de uso

  • Transcripciones de reuniones

    Transcriba una llamada grabada a texto con tiempos de palabra, luego pásela a un resumidor para obtener elementos de acción.

  • Subtítulos para video

    Genere subtítulos temporizados a partir de la pista de audio de un video cargado utilizando los tiempos de palabra.

  • Revisión de calidad de centros de llamadas

    Transcriba grabaciones de llamadas y luego escanee el texto en busca de frases de cumplimiento. Las etiquetas de altavoz o canal son una opción nativa de xAI, no listada en los detalles del modelo aquí.

Ejemplos de prompts

Transcriba este clip de podcast de 20 minutos en inglés con marcas de tiempo de palabra.

Transcriba la llamada de cliente adjunta, utilizando los términos clave 'Zyntra', 'OmniPlan' y 'SLA' para sesgar el reconocimiento.

Convierta esta nota de voz en español a texto y formatee las cantidades como divisas.

FAQ

¿Qué hace Grok Voice STT?

Convierte audio en texto. Usted envía un archivo de audio y devuelve una transcripción que puede incluir marcas de tiempo a nivel de palabra, dependiendo de las opciones que establezca. El servicio nativo de xAI también documenta etiquetas de altavoz y texto por canal.

¿Qué formatos de audio puede leer?

xAI enumera doce formatos, incluidos MP3, WAV, FLAC y Opus. Para el punto final de transcripción vinculado aquí, cargue un archivo de audio no mayor a 25 MB. El punto final de archivo nativo de xAI documenta un límite separado de 500 MB que no extiende el límite de carga aquí.

¿Admite transcripción en vivo?

xAI documenta un punto final de transmisión separado con resultados provisionales. Los detalles del modelo vinculados aquí actualmente anuncian solo transcripción de archivos, así que planee cargar archivos. Consulte el contrato del modelo actual antes de confiar en la transcripción en vivo.

¿Cuántos idiomas cubre?

xAI documenta más de 25 idiomas para transcripción y formato específico del idioma. Pase una sugerencia de idioma cuando conozca el idioma, para que el reconocimiento no tenga que adivinar.

¿Puede distinguir a los hablantes?

xAI documenta la diarización y el modo multicanal como opciones nativas separadas. Los detalles del modelo vinculados aquí no enumeran la diarización ni el modo multicanal, y pedir etiquetas de altavoz en lenguaje sencillo no los habilita. Consulte el contrato del modelo actual antes de confiar en ellos.

¿Cuánto cuesta Grok Voice STT?

En TokenLab, Grok Voice STT cuesta $0.000028 por segundo. La tabla de precios arriba muestra el desglose completo.

¿Qué endpoint debe usar Grok Voice STT?

Utiliza https://api.tokenlab.sh/v1/audio/transcriptions para Grok Voice STT. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta Grok Voice STT?

Grok Voice STT admite Voz a texto. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.

Comparar Grok Voice STT

Fuentes

Revisado el 2 oct 2026

Más de Grok Voice

Modelos relacionados