Новият модел за превръщане на реч в текст стъпва на аудио модела зад Grok Voice, разпознава езика сам и следи смяната му насред записа. Цената остава 0,10 долара на час аудио при пакетна обработка и 0,20 при поток.
- По данни на компанията моделът е първи по точност сред 32 модела за поточна транскрипция в класацията на Artificial Analysis.
- При кратките гласови команди във вътрешния им тест грешката по думи пада от 20,6 на 6,8 на сто.
- В графиката им с езиците български няма.
Номер на сметка, продиктуван по телефона с шум отзад. Имейл адрес, казан набързо. Точно там транскрипцията е най-трудна, и точно там грешката струва най-скъпо.
SpaceXAI мери точно на това място, и го казва.
Цената е силната част. Поточната транскрипция е около половината от това, което показват за ElevenLabs и Deepgram в собствената си графика. При кол център с хиляди часове на месец това вече е ред в бюджета, а не закръгляване.
Класирането обаче е тяхно цитиране на чужда класация, а графиката с езиците е без посочен външен източник. И едно, което е важно за нас: в графиката с езиците български няма. Това не значи, че не го пише. Значи, че не го мерят пред нас.
За разговори на български единственият честен тест е твой запис с твоя шум. Пусни един час и брой грешките в имената и числата.