Grok STT Testbericht: Transkription ohne Sprecherlabels
Eine Audiodatei pro Anfrage, 1 Sekunde bis 2 Stunden.
Die Spracherkennung Grok STT von xAI, seit April 2026 allgemein verfügbar: Senden Sie eine Audio-URL und erhalten Sie das Transkript als Text zurück. 25 Sprachen mit automatischer Erkennung, getrennte Transkripte pro Kanal, Hinweise auf Schlüsselbegriffe und Zahlen in Schriftform. Abgerechnet pro Sekunde Audio, und SpicyAPI legt keinen Inhaltsfilter darüber.
- Lydia
- Getestet am 30. Sept. 2026
- Aktualisiert am 7. Okt. 2026

Unser Fazit
Für diesen Artikel wurden keine neuen kostenpflichtigen Beispiele erstellt. Veröffentlichte Beispiele zeigen jeweils einen bestimmten Ein- und Ausgang, keinen kontrollierten Modellvergleich. Die Illustration ist redaktionelles Bildmaterial, kein vom besprochenen Modell erzeugtes Testergebnis.
Was uns gefallen hat und was es bremst
Was uns gefallen hat
- Generierte Sprache prüfen. Lassen Sie ein Text-to-Speech-Ergebnis zurücklaufen und vergleichen Sie das Transkript mit dem Skript: ausgelassene Wörter, ein abgeschnittenes Ende oder ein vorgelesener Tag fallen sofort auf.
- Namen, Marken und Zahlen. Schlüsselbegriffe erlauben Vorgaben für ungewöhnliche Namen; text normalization steuert die Schreibweise von Zahlen und Daten. Prüfen Sie das Transkript anhand der Aufnahme. Keiner der Regler garantiert eine korrekte Erkennung.
Was es bremst
- Eine Audiodatei pro Anfrage, 1 Sekunde bis 2 Stunden. Wortzeitmarken und die erkannte Sprache kommen im strukturierten Transkript zurück, Sprecherkennzeichnungen nicht, und Sprecher auf demselben Kanal werden nicht unterschieden. Rohes Audio ohne Dateikopf (PCM, μ-law, A-law) wird nicht angenommen – senden Sie eine Datei in einem Container wie MP3, WAV, M4A, FLAC oder OGG.
Was die Belege aussagen
Der vorhandene Diagnosetest vom 30. September 2026 verwendete sechs LibriSpeech-test-clean-Clips, sechs Sprecher, 53,6 Sekunden englische Vorlesesprache und 146 Referenzwörter. Grok STT erreichte eine Wortfehlerrate von 1.37%: 2 Ersetzungen, 0 Auslassungen und 0 Einfügungen. Die Transkriptionsmethodik erläutert Normalisierung und Messbereich. Hier werden dokumentierte frühere Ergebnisse verwendet, keine neue Transkriptionsanfrage.
Die kleine, saubere und kurze Stichprobe belegt keine Genauigkeit für Besprechungen, überlappende Stimmen, Lärm, andere Sprachen oder Gesang. Die Wortfehlerrate erfasst Wortabweichungen, nicht Interpunktion, Formatierung oder Sprecherzuordnung. Berücksichtigen Sie das bei Untertiteln, Sucharchiven und finalen Transkripten.
Ein sinnvoller erster Auftrag
Verwenden Sie eine Audiodatei, für die Sie die nötigen Rechte oder eine Erlaubnis haben. Prüfen Sie Anfang, Ende, einen Eigennamen und eine schwierige Passage gegen die Aufnahme. Markieren Sie nicht verifizierbare Wörter als unsicher, statt das Transkript ungeprüft als richtig zu behandeln. Die Modellseite nennt die unterstützte Eingabe.
Beginnen Sie mit dem Abschnitt, der über die Abnahme entscheidet: einem Namen, einer schwierigen Zahl oder einem Satz mit wechselnder Emotion. Vergleichen Sie das Ergebnis bis zum Schluss mit dem Original. Halten Sie die Eingabe konstant und ändern Sie jeweils nur eine Einstellung. Eine angenehme Stimme beweist noch nicht, dass jedes Wort erhalten geblieben ist.
Prüfen Sie vor dem Absenden das aktuelle Angebot auf der Modell-Aufgabenseite. Abrechnung je Zeichen, Sekunde oder Anfrage lässt sich nicht allein anhand des Einstiegspreises vergleichen. Verwenden Sie denselben Text oder dieselbe Aufnahme als Grundlage und rechnen Sie nötige Konvertierung und Ausrichtung mit ein.
So wählen Sie eine Alternative
Wählen Sie zuerst nach einer fehlenden Funktion. Eine Alternative sollte ein konkretes Hindernis beseitigen: Stimmenwahl, längere Texte, Regie oder eine passende Transkription. Ein neuerer Name genügt nicht. Die folgenden aktuellen Seiten nennen Aufgaben und Abrechnungseinheiten.
Was Grok STT auf SpicyAPI kann
Direkt aus der aktuellen Modellspezifikation auf SpicyAPI. Manche Hersteller bieten in ihren eigenen Apps mehr; hier steht, was Sie heute über unsere API aufrufen können.
| Merkmal | Sprache zu Text |
|---|---|
| Seed-Steuerung | Nein |
| Negativ-Prompt | Nein |
Was meinen Sie?
War dieses Review hilfreich?
Melden Sie sich an, um abzustimmen.
Kommentare
Kommentare werden automatisch und von unserem Team geprüft. Wir entfernen Spam, anstößige Inhalte, persönliche Angriffe und alles, was eine reale Person ohne Einwilligung nennt. Melden Sie einen Kommentar, prüfen wir ihn innerhalb eines Werktags.
Sie haben dieses Modell ausprobiert? Teilen Sie, was funktioniert hat. Zum Kommentieren brauchen Sie ein kostenloses Konto – so halten wir Spam draußen.
FAQ zu Grok STT

Grok STT selbst ausprobieren
Stellen Sie im Playground jeden Parameter ein und sehen Sie den genauen Preis, bevor Sie starten.
Weitere Reviews
Zu den Ranglisten →
HeartMuLa Transcribe
Liedtext ohne Zeitstempel, Konfidenzwerte oder Sprecherlabels.
Getestet am 30. Sept. 2026
Review lesen
Gemini 3.8 Flash-Lite TTS
Ein oder zwei Stimmen pro Anfrage: bis zu 5.000 Zeichen Skript für eine Stimme oder bis zu 20 Dialogzeilen mit je 250 Zeichen für zwei.
Nicht selbst getestet · Katalog geprüft am 7. Okt. 2026
Review lesen
Gemini 3.8 Flash TTS
Ein oder zwei Stimmen pro Anfrage: bis zu 5.000 Zeichen Skript für eine Stimme oder bis zu 20 Dialogzeilen mit je 250 Zeichen für zwei.
Nicht selbst getestet · Katalog geprüft am 7. Okt. 2026
Review lesen