SpaceXAI ra mắt mô hình chuyển đổi giọng nói Grok Voice Transcribe 2.0: Độ chính xác tăng gấp đôi

Theo tin từ IT ngày 19 tháng 9, vào ngày 18 tháng 9 theo giờ địa phương, SpaceXAI đã ra mắt mô hình chuyển đổi giọng nói thành văn bản Grok Voice Transcribe 2.0, giúp giảm tỷ lệ lỗi xuống khoảng một nửa trong khi vẫn giữ nguyên mức giá.

Phía công ty cho biết, Grok Voice Transcribe 2.0 được xây dựng dựa trên mô hình nền tảng âm thanh cốt lõi của Grok Voice. Hiện tại, Grok Voice đã được ứng dụng toàn diện vào các hoạt động thực tế: xử lý hàng chục nghìn cuộc gọi chăm sóc khách hàng mỗi ngày, phiên âm hàng triệu giờ thuyết minh video và vận hành các loại tác nhân giọng nói (voice agent) trong phần cứng thực tế — bao gồm cả trợ lý Grok được tích hợp trên các dòng xe Tesla.

Trên bảng xếp hạng của Artificial Analysis, Grok Voice Transcribe 2.0 đã vươn lên dẫn đầu về độ chính xác trong tổng số 32 mô hình truyền phát (streaming model).

Ngoài các tiêu chuẩn công khai, SpaceXAI đã thực hiện đánh giá hệ thống về tỷ lệ lỗi từ (WER) của mô hình dựa trên bốn tập dữ liệu nội bộ được lấy mẫu từ các hoạt động kinh doanh thực tế trực tuyến. Bốn tập kiểm thử này bao gồm: âm thanh cuộc gọi chăm sóc khách hàng, các cuộc hội thoại hàng ngày với Grok (tiếng Anh), thông tin đọc bằng miệng như số điện thoại, địa chỉ email, địa chỉ nhà, và các lệnh thoại ngắn đa ngôn ngữ. Trong các bài đánh giá trên cả bốn tập dữ liệu, hiệu suất của Grok Voice Transcribe 2.0 đều vượt trội hoàn toàn so với phiên bản 1.0.

Giá của Grok Voice Transcribe 2.0 được giữ nguyên hoàn toàn so với phiên bản 1.0. Mức phí cho phiên âm hàng loạt là 0,10 USD mỗi giờ âm thanh (IT lưu ý: tỷ giá hiện tại tương đương khoảng 0,67 Nhân dân tệ), và phiên âm truyền phát thời gian thực là 0,20 USD mỗi giờ (tỷ giá hiện tại tương đương khoảng 1,3 Nhân dân tệ); đồng thời, các tính năng như phân tách người nói (speaker diarization), dấu thời gian chính xác và từ khóa tùy chỉnh đều đã được bao gồm mà không phát sinh thêm chi phí.