- •חברת SpaceXAI השיקה את Grok Voice Transcribe 2.0, מודל תמלול דיבור לטקסט חדש הזמין דרך ממשק ה-API.
- •לדברי החברה, המודל מציע דיוק כפול לעומת הדור הקודם ומדורג ראשון בלוח התוצאות של Artificial Analysis.
- •המודל תומך בתמלול רב-לשוני עם זיהוי שפה אוטומטי, הפרדה בין דוברים ועיבוד בזמן אמת וקובצי אודיו מוקלטים.
- •התמחור נותר ללא שינוי: 0.10 דולר לשעת אודיו בעיבוד אצווה ו-0.20 דולר לשעת תמלול בזמן אמת.
חברת SpaceXAI (לשעבר xAI) הכריזה על Grok Voice Transcribe 2.0, מודל המרת דיבור לטקסט (Speech-to-Text) מהדור החדש של החברה.
מדובר בטכנולוגיה שמאזינה להקלטת שמע והופכת אותה לטקסט כתוב – אותו מנגנון שמייצר כתוביות אוטומטיות לסרטוני וידאו, ממיר הודעה קולית לטקסט או מאפשר למוקד שירות להבין מה הלקוח אמר בטלפון.
המודל פותח על בסיס מודל השמע העומד מאחורי Grok Voice, המשמש בין היתר לשיחות תמיכה טלפוניות, הפקת תמלילים לסרטוני וידאו והפעלת עוזר ה-AI בכלי הרכב של טסלה.
המודל זמין כעת דרך ה-API הרשמי של החברה, כאשר לדברי המפתחים הוא מציג רמת דיוק כפולה בהשוואה לגרסת Grok Voice Transcribe 1.0, ללא שינוי במחיר השירות. SpaceXAI ייעדה את המודל להתמודדות עם תנאי שמע מורכבים בעולם האמיתי, בהם קווי טלפון משובשים, קולות רקע, מבטאים מקומיים והקראת כתובות דוא"ל ומספרי טלפון.
מאפיינים עיקריים
Grok Voice Transcribe 2.0 תוכנן לשני מצבי עבודה. הראשון הוא תמלול של קובץ שמע שההקלטה שלו כבר הסתיימה (Batch), למשל פגישה מוקלטת שמועלית למערכת בדיעבד. השני הוא תמלול בזמן אמת בפרוטוקול WebSocket, שבו הטקסט נכתב תוך כדי הדיבור.
לצד התמלול הבסיסי, המודל מזהה ומפריד בין דוברים (Speaker Diarization) ללא עלות נוספת – כלומר מסמן מי אמר מה כששניים או יותר משתתפים באותה הקלטה. הוא מפיק גם חותמת זמן מדויקת לכל מילה, מה שמאפשר לקפוץ לנקודה מסוימת בהקלטה או לסנכרן כתוביות, ותומך בעיבוד של עד 8 ערוצי שמע במקביל – למשל כשכל משתתף בשיחה מוקלט בערוץ נפרד.
המודל אומן על מאגר ייחודי של קובצי שמע מרובי שפות בסביבות רועשות, ועבר תהליך עידון משלים (Post-training).
המודל תומך בעשרות שפות, מזהה את השפה הנאמרת באופן אוטומטי ומסוגל לעקוב אחר מעבר בין שפות שונות במהלך אותה הקלטה במעבר יחיד.
לדברי החברה, השיפור המרכזי ביותר בגרסה החדשה ניכר בתמלול רב-לשוני, בייחוד בביטויים קצרים דוגמת פקודות קוליות ברכב, שם ההקשר הטקסטואלי מוגבל.
Introducing Grok Voice Transcribe 2.0. It’s the world’s most accurate speech transcription model. pic.twitter.com/7iXVmAEFW2
— SpaceXAI (@SpaceXAI) September 18, 2026
ביצועים
במדד AA-WER Streaming הפומבי של פלטפורמת Artificial Analysis, הבוחן את שיעור המילים שהמודל טועה בהן מתוך כלל המילים בהקלטה (ככל שהתוצאה נמוכה יותר, הדיוק גבוה יותר), Grok Voice Transcribe 2.0 מדורג במקום הראשון מבין 32 מודלים מתחרים להזרמת שמע. המדד מבוסס על כ-8 שעות אודיו.
על פי נתוני החברה, בתרחיש של שיחות טלפוניה הוביל המודל על פני כל המודלים המתחרים שנבדקו, בהם Gemini 3.5 Transcribe, ElevenLabs Scribe v2 ו-Whisper Large v3. יש לציין כי נתונים פנימיים אלה נמסרו על ידי היצרנית ולא נבדקו באופן עצמאי.
זמינות
Grok Voice Transcribe 2.0 זמין לשימוש מיידי כשירות ענן דרך ה-API תחת המזהה grok-voice-transcribe-2.0.
מבנה התמחור נותר זהה לדור הקודם: 0.10 דולר לשעת שמע בעיבוד אצווה ו-0.20 דולר לשעת שמע בהזרמה בזמן אמת – כלומר תמלול של הרצאה בת שעה עולה פחות מחצי שקל.
SpaceXAI ציינה כי המודל החדש יהפוך לברירת המחדל בממשק ה-API, וגרסת Grok Voice Transcribe 1.0 תצא משימוש בשבועות הקרובים.
