xAI: Grok Voice STT

Grok Voice STT 将录音转为文字，可结合语言提示和时间戳选项，用于字幕制作、语音内容检索及后续文本分析。

grok-voice-stt

可用xAI语音转文本同步

价格: 起 $0.000028
模态: 音频

Grok Voice STT 简介

Grok Voice STT 是 xAI 的语音识别模型，把录制的或流式的音频转成文本。它接受常见的音频文件格式，返回逐词时间戳，可以区分说话人和声道，并按语言格式化数字和货币。适用于字幕、可搜索的会议记录，以及供后续文本分析使用的通话转写。

擅长的任务

逐词时间戳让你可以直接用转写文本做字幕、跳转到某一刻的搜索和字幕文件。
说话人区分和多声道转写，能在会议和双方通话录音中分清谁说了什么。
语言提示和自定义关键词列表，引导识别偏向产品名和行话。
文本格式化按口语对应语言的写法呈现数字、日期和货币。

什么情况换别的模型

它只生成转写文本；对音频做摘要、翻译或问答，需要在它之后再接文本模型。
噪声很大的录音可能需要调整语音检测阈值或提供更干净的输入，准确率才能接受。

快速上手

创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。

发送第一个请求

复制你所用语言的示例代码，向该端点发起请求。

语音转文字TokenLab 端点

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"

价格

官方价格是模型厂商公开的基线价，TokenLab 价格是用这个模型时实际的计费价。

价格

每秒

Official: $0.000028每秒
官方价格: $0.000028每秒

	官方价格每秒	Official每秒	折扣
价格	$0.000028每秒	$0.000028每秒	—

用量与动态

成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。

用量与可用性

直接在 Console 里试

Grok Voice STT 已在 Console 备好，提示词已填好，可以直接修改或发送。

帮我用 grok-voice-stt 发起一条简短的音频请求，接口是 /v1/audio/transcriptions。返回结果和费用。

使用场景

会议转写
转写带说话人标注的通话录音，再把文本交给摘要模型提取行动项。
视频字幕
利用逐词时间，根据上传视频的音轨生成带时间的字幕。
呼叫中心质检
转写坐席和客户分在不同声道的双声道录音，再扫描其中的合规话术。

提示词示例

转写这期 45 分钟的播客，语言为英语，带逐词时间戳并标注说话人。

转写附上的客户通话，用关键词 'Zyntra'、'OmniPlan' 和 'SLA' 来引导识别。

把这条西班牙语语音备忘录转成文本，并把金额格式化为货币。

FAQ

Grok Voice STT 是做什么的？

它把音频转成文本。你发送文件或流式传入音频，它返回转写结果，根据你的选项，可以包含逐词时间戳、说话人标签和按声道区分的文本。

它能读取哪些音频格式？

xAI 列出了十二种格式，包括 MP3、WAV、FLAC 和 Opus，文件大小上限为 500 MB。原始的 PCM、mu-law 和 A-law 音频需要明确的编码参数。

它支持实时转写吗？

支持。WebSocket 端点会流式返回中间结果，并用 Smart Turn 发言结束检测区分自然停顿和句子结束，减少过早截断。

它涵盖多少种语言？

xAI 文档标明转写和按语言格式化支持 25 种以上语言。知道语言时请传入语言提示，这样识别就不必去猜。

它能区分说话人吗？

能，说话人区分会在一段录音中标注说话人，多声道模式最多处理八个独立声道，适合每一方各占一个声道的通话录音。

Grok Voice STT 的费用是多少？

在 TokenLab 上，Grok Voice STT 的价格为 $0.000028 每秒。完整明细见上方价格表。

Grok Voice STT 应该使用哪个端点？

Grok Voice STT 使用 https://api.tokenlab.sh/v1/audio/transcriptions。代码写法见下方的请求示例。

Grok Voice STT 支持哪些操作？

Grok Voice STT 支持语音转文字。选了操作，上面会显示对应的端点和请求示例。

Grok Voice STT 对比

Grok Voice STT 对比 Grok STT Grok Voice STT 对比 GPT-4o Transcribe Diarize Grok Voice STT 对比 Whisper large-v3

资料来源

审阅于 2026年10月2日