Chọn Auto, TokenLab Verified hoặc Official cho mỗi yêu cầu, với giá được hiển thị ngay từ đầu. Xem có gì mới

xAI: Grok Voice STT

Grok Voice STT chuyển đổi âm thanh đã ghi thành văn bản. Các gợi ý ngôn ngữ và điều khiển dấu thời gian làm cho nó hữu ích cho các bản ghi sẽ cung cấp cho phụ đề, tìm kiếm hoặc bước phân tích văn bản sau đó.
So sánh mô hình
grok-voice-stt
Sẵn sàngxAIChuyển đổi giọng nói thành văn bảnĐồng bộ
Giá
Từ $0.000028
Phương thức
Âm thanh

Về Grok Voice STT

Grok Voice STT là mô hình chuyển đổi giọng nói thành văn bản của xAI, giúp chuyển đổi âm thanh đã ghi thành bản ghi văn bản. Mô hình này chấp nhận các định dạng tệp âm thanh phổ biến và trả về dấu thời gian theo từng từ; xAI cũng cung cấp tài liệu riêng về tính năng phát trực tuyến (streaming), tách biệt người nói và kênh âm thanh, cũng như định dạng số và tiền tệ theo ngôn ngữ. Hãy sử dụng mô hình này cho phụ đề, hồ sơ cuộc họp có thể tìm kiếm và bản ghi cuộc gọi để phục vụ phân tích văn bản sau đó.

Ưu điểm

  • Dấu thời gian theo từng từ giúp việc tạo phụ đề, tìm kiếm theo thời điểm và tệp phụ đề từ bản ghi trở nên trực tiếp hơn.
  • xAI cung cấp tài liệu về tính năng phân đoạn người nói (speaker diarization) và phiên âm đa kênh như các tùy chọn gốc; hãy kiểm tra chi tiết mô hình hiện tại trước khi dựa vào các tính năng này tại đây.
  • Các gợi ý ngôn ngữ và từ khóa nhắc lệnh (prompt keyword) giúp điều hướng khả năng nhận diện tập trung vào tên sản phẩm và thuật ngữ chuyên ngành.
  • Định dạng văn bản hiển thị số, ngày tháng và tiền tệ theo cách viết của ngôn ngữ nói tương ứng.

Khi nào nên chọn model khác

  • Mô hình này chỉ tạo ra bản ghi; việc tóm tắt, dịch thuật hoặc trả lời dựa trên âm thanh cần một mô hình văn bản xử lý sau đó.
  • Các bản ghi có nhiều tiếng ồn có thể cần điều chỉnh ngưỡng phát hiện giọng nói hoặc cần đầu vào sạch hơn trước khi đạt được độ chính xác chấp nhận được.

Bắt đầu

  1. Tạo API key

    Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.

  2. Gửi yêu cầu đầu tiên của bạn

    Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.

    Giọng nói sang văn bảnĐiểm cuối 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"

Tham số

Giọng nói sang văn bản

Tham sốGiá trị và giới hạnMặc địnhGhi chú
fileSố đầu vào: ≥ 1, ≤ 1Chưa cung cấpSend one audio file in multipart/form-data. Maximum file size is 25 MiB.
languageChưa cung cấpChưa cung cấpThis 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.
promptChưa cung cấpChưa cung cấpChưa cung cấp
response_formatjson, text, verbose_jsonjsonChưa cung cấp
timestamp_granularitieswordChưa cung cấpChưa cung cấp

Giá

Giá Verified áp dụng cho Verified, thường rẻ hơn trên hầu hết các model. Giá Official là giá niêm yết từ nhà phát triển, áp dụng cho route Official ổn định hơn. Auto sẽ tính phí dựa trên route hoàn thành yêu cầu.

Giá

mỗi giây
Giá Verified
—
Giá Official
$0.000028mỗi giây

Sử dụng & hoạt động

Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.

Mức sử dụng & tình trạng

24 giờ qua
Yêu cầu
Tỷ lệ thành công
Độ trễ P95
Tổng token
Hiệu năng mô hình
Các chỉ số sẽ xuất hiện sau khi đạt ngưỡng về quyền riêng tư và khối lượng dữ liệu.

Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.

Mở trong Console

Mở Grok Voice STT trong Console để chỉnh sửa và gửi prompt ngay.

Giúp tôi thử grok-voice-stt với yêu cầu âm thanh ngắn tại /v1/audio/transcriptions. Hiển thị kết quả và chi phí.

Tình huống sử dụng

  • Bản ghi cuộc họp

    Chuyển đổi cuộc gọi đã ghi thành văn bản kèm theo thời gian của từng từ, sau đó chuyển đến công cụ tóm tắt để trích xuất các đầu việc cần thực hiện.

  • Phụ đề cho video

    Tạo phụ đề có thời gian từ tệp âm thanh của video đã tải lên bằng cách sử dụng thời gian của từng từ.

  • Đánh giá chất lượng trung tâm cuộc gọi

    Chuyển đổi các bản ghi cuộc gọi thành văn bản, sau đó quét văn bản để tìm các cụm từ tuân thủ. Nhãn người nói hoặc kênh âm thanh là tùy chọn gốc của xAI, không được liệt kê trong chi tiết mô hình tại đây.

Ví dụ prompt

Chuyển đổi đoạn podcast 20 phút này sang tiếng Anh kèm theo dấu thời gian cho từng từ.

Chuyển đổi cuộc gọi khách hàng được đính kèm, sử dụng các thuật ngữ chính 'Zyntra', 'OmniPlan' và 'SLA' để định hướng khả năng nhận diện.

Chuyển đổi bản ghi nhớ giọng nói tiếng Tây Ban Nha này thành văn bản và định dạng các số tiền dưới dạng tiền tệ.

FAQ

Grok Voice STT làm được gì?

Nó chuyển đổi âm thanh thành văn bản. Bạn gửi một tệp âm thanh và nó trả về một bản ghi có thể bao gồm dấu thời gian theo từng từ, tùy thuộc vào các tùy chọn bạn thiết lập. Dịch vụ gốc của xAI cũng cung cấp tài liệu về nhãn người nói và văn bản theo từng kênh.

Nó có thể đọc được những định dạng âm thanh nào?

xAI liệt kê mười hai định dạng, bao gồm MP3, WAV, FLAC và Opus. Đối với điểm cuối (endpoint) phiên âm được liên kết tại đây, hãy tải lên tệp âm thanh không quá 25 MB. Điểm cuối tệp gốc của xAI có tài liệu về giới hạn riêng là 500 MB, nhưng giới hạn này không áp dụng cho việc tải lên tại đây.

Nó có hỗ trợ phiên âm trực tiếp không?

xAI có tài liệu về một điểm cuối phát trực tuyến riêng biệt với kết quả tạm thời. Chi tiết mô hình được liên kết tại đây hiện chỉ quảng cáo tính năng phiên âm tệp, vì vậy hãy lên kế hoạch tải lên các tệp. Hãy kiểm tra hợp đồng mô hình hiện tại trước khi dựa vào tính năng phiên âm trực tiếp.

Nó hỗ trợ bao nhiêu ngôn ngữ?

xAI cung cấp tài liệu cho hơn 25 ngôn ngữ để phiên âm và định dạng theo ngôn ngữ cụ thể. Hãy cung cấp gợi ý ngôn ngữ khi bạn biết ngôn ngữ đó để quá trình nhận diện không phải đoán.

Nó có thể phân biệt các người nói không?

xAI cung cấp tài liệu về tính năng phân đoạn người nói và chế độ đa kênh như các tùy chọn gốc riêng biệt. Chi tiết mô hình được liên kết tại đây không liệt kê tính năng phân đoạn người nói hoặc đa kênh, và việc yêu cầu nhãn người nói bằng ngôn ngữ thông thường sẽ không kích hoạt chúng. Hãy kiểm tra hợp đồng mô hình hiện tại trước khi dựa vào các tính năng này.

Grok Voice STT có giá bao nhiêu?

Trên TokenLab, Grok Voice STT có giá $0.000028 mỗi giây. Bảng giá phía trên cho thấy chi tiết đầy đủ.

Grok Voice STT nên dùng endpoint nào?

Dùng https://api.tokenlab.sh/v1/audio/transcriptions làm mặc định cho Grok Voice STT. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.

Grok Voice STT hỗ trợ những thao tác nào?

Grok Voice STT hỗ trợ Giọng nói sang văn bản. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.

So sánh Grok Voice STT

Nguồn

Đánh giá ngày 2 thg 10, 2026

Xem thêm từ Grok Voice

Mô hình liên quan