xAI: Grok Voice STT
grok-voice-stt- 價格
- 起 $0.000028
- 模態
- 音訊
關於 Grok Voice STT
Grok Voice STT 是 xAI 的語音轉文字模型,可將錄製的音訊轉換為文字逐字稿。它接受常見的音訊檔案格式並回傳單字級的時間戳記,xAI 另有關於串流、說話者與聲道分離,以及依語言進行數字與貨幣格式化的文件。可用於字幕、可搜尋的會議記錄,以及供後續文字分析使用的通話逐字稿。
適用場景
- 單字級時間戳記讓製作字幕、跳轉至特定時刻的搜尋功能以及從逐字稿產生字幕檔案變得直接簡單。
- xAI 將說話者識別(diarization)和多聲道轉錄作為原生選項進行記錄;在依賴這些功能前,請先查閱目前的模型詳細資訊。
- 語言提示和提示關鍵字可引導識別功能偏向產品名稱和專業術語。
- 文字格式化會以口語書寫的方式呈現數字、日期和貨幣。
其他選擇建議
- 它僅能產生逐字稿;若要從音訊進行摘要、翻譯或回答問題,則需在之後使用文字模型。
- 非常嘈雜的錄音可能需要調整語音偵測閾值,或在準確度達到可接受範圍前先進行降噪處理。
入門指南
建立 API 金鑰
請至 Console 建立金鑰,即可在平台上使用各類模型。
發送您的第一個請求
複製您所選語言的範例,並針對端點執行它。
語音轉文字TokenLab 端點POST/v1/audio/transcriptionscurl -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"
參數設定
語音轉文字
| 參數 | 可選值與限制 | 預設值 | 說明 |
|---|---|---|---|
file | 輸入數量:≥ 1, ≤ 1 | 未提供 | Send one audio file in multipart/form-data. Maximum file size is 25 MiB. |
language | 未提供 | 未提供 | This 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. |
prompt | 未提供 | 未提供 | 未提供 |
response_format | json, text, verbose_json | json | 未提供 |
timestamp_granularities | word | 未提供 | 未提供 |
定價
Verified 價格用於 Verified,多數模型更便宜;Official 價格是模型廠商公布的價格,用於更穩定的 Official。Auto 按最終完成請求的線路計價。
定價
每秒- Verified 價格
- —
- Official 價格
- $0.000028每秒
| Official 價格每秒 | Verified 價格每秒 | 折扣 | |
|---|---|---|---|
| 價格 | $0.000028每秒 | — | — |
使用量與活動
成功率是請求完成的比例;延遲是一次完整回應所需的時間,P95 表示 95% 的請求在該時間內完成。
用量與可用性
過去 24 小時- 請求數
- 成功率
- P95 延遲
- 總 Token 用量
資料基於彙總的使用者請求,不包含狀態檢查。
直接在 Console 裡試
在 Console 中開啟 Grok Voice STT,並準備好編輯或發送提示詞。
協助我使用 grok-voice-stt 透過 /v1/audio/transcriptions 進行音訊請求,並顯示結果與成本。
應用情境
會議逐字稿
將錄製的通話轉錄為帶有單字時間點的文字,然後傳送給摘要工具以提取行動項目。
影片字幕
利用單字時間點,從上傳影片的音軌產生帶有時間軸的字幕。
客服中心品質審查
轉錄通話錄音,然後掃描文字中的合規用語。說話者或聲道標籤是 xAI 的原生選項,未列於此處的模型詳細資訊中。
提示詞範例
轉錄這段 20 分鐘的英文播客片段,並附上單字時間戳記。
轉錄隨附的客戶通話,並使用關鍵字「Zyntra」、「OmniPlan」和「SLA」來引導識別。
將此西班牙語語音備忘錄轉換為文字,並將金額格式化為貨幣。
FAQ
Grok Voice STT 能做什麼?
它能將音訊轉換為文字。您傳送音訊檔案,它會回傳一份逐字稿,根據您設定的選項,逐字稿中可包含單字級的時間戳記。xAI 的原生服務也記錄了說話者標籤和各聲道文字功能。
它可以讀取哪些音訊格式?
xAI 列出了十二種格式,包括 MP3、WAV、FLAC 和 Opus。對於此處連結的轉錄端點,請上傳不超過 25 MB 的音訊檔案。xAI 的原生檔案端點記錄了另一個 500 MB 的上限,但這並不延伸至此處的上傳限制。
它支援即時轉錄嗎?
xAI 記錄了一個具有中間結果的獨立串流端點。此處連結的模型詳細資訊目前僅宣傳檔案轉錄,因此請規劃以上傳檔案為主。在依賴即時轉錄前,請檢查目前的模型合約。
它涵蓋多少種語言?
xAI 記錄了超過 25 種用於轉錄和特定語言格式化的語言。當您知道語言時,請傳送語言提示,這樣識別功能就不需要進行猜測。
它可以區分不同的說話者嗎?
xAI 將說話者識別和多聲道模式記錄為獨立的原生選項。此處連結的模型詳細資訊並未列出說話者識別或多聲道功能,且以普通語言要求說話者標籤並不會啟用這些功能。在依賴這些功能前,請檢查目前的模型合約。
Grok Voice STT 的費用是多少?
在 TokenLab 上,Grok Voice STT 價格為 $0.000028 每秒。完整明細見上方價格表。
Grok Voice STT 應該使用哪一個端點?
請使用 https://api.tokenlab.sh/v1/audio/transcriptions 進行 Grok Voice STT 的呼叫。下方的請求範例展示了對應的程式碼格式。
Grok Voice STT 支援哪些操作?
Grok Voice STT 支援 語音轉文字。請在上方選擇一項操作以查看其端點與請求範例。
比較 Grok Voice STT
來源
更新於 2026年10月2日