xAI: Grok Voice STT
grok-voice-stt- 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;xAI 另外还文档化了流式转写、说话人和声道区分,以及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。
- xAI 文档中的说话人区分和多声道转写是其原生选项;在这里使用前,请先核对当前的模型详情。
- 语言提示和 prompt 关键词,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/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"
参数
语音转文字
| 参数 | 可选值与限制 | 默认值 | 说明 |
|---|---|---|---|
file | 输入数量:≥ 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 |
价格
Verified 价格用于 Verified,多数模型更便宜;Official 价格是模型厂商公布的价格,用于更稳定的 Official。Auto 按最终完成请求的线路计价。
价格
每秒- Verified 价格
- —
- Official 价格
- $0.000028每秒
| Official 价格每秒 | Verified 价格每秒 | 折扣 | |
|---|---|---|---|
| 价格 | $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
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求,不含状态检查。
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
把录制的通话转成带逐词时间的文本,再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
转写通话录音,再扫描其中的合规话术。说话人或声道标注是 xAI 的原生选项,这里的模型详情没有列出。
提示词示例
转写这段 20 分钟的英语播客片段,带逐词时间戳。
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。你上传音频文件,它返回转写结果,根据你的选项可包含逐词时间戳。xAI 原生服务另外文档化了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。这里的转写入口上传文件不超过 25 MB;xAI 原生文件接口另有 500 MB 上限,不会扩大这里的上传限制。
它支持实时转写吗?
xAI 文档了独立的流式端点,会返回中间结果。这里的模型详情目前只公开文件转写,所以请按上传文件来规划。依赖实时转写前,请先核对当前的模型契约。
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?
xAI 把说话人区分和多声道模式文档化为独立的原生选项。这里的模型详情没有列出 diarize 或 multichannel,用自然语言要求标注说话人也不会开启它们。依赖前请先核对当前的模型契约。
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
资料来源
审阅于 2026年10月2日