Grok STT reseña: transcripción sin etiquetas de hablante
Un archivo de audio por solicitud, de 1 segundo a 2 horas.
El reconocimiento de voz Grok de xAI, disponible para todos desde abril de 2026: envía una URL de audio y recibe la transcripción como texto. 25 idiomas con detección automática, una transcripción por canal, términos clave y números escritos con cifras. Se cobra por segundo de audio, y SpicyAPI no agrega ningún filtro de contenido.
- Lydia
- Probado el 30 sept 2026
- Actualizado el 7 oct 2026
Nuestra conclusión
No creamos muestras pagadas nuevas para este artículo. Los ejemplos publicados muestran entradas y salidas concretas, no una comparación controlada. La ilustración del artículo es material editorial, no una muestra generada por el modelo reseñado.
Lo que nos gustó y lo que lo frenó
Lo que nos gustó
- Revisar voz generada. Pasa un resultado de texto a voz por el modelo y compara la transcripción con el guion: palabras saltadas, un final cortado o una etiqueta leída en voz alta saltan a la vista.
- Nombres, marcas y números. Los términos clave permiten aportar nombres poco comunes y la normalización controla la forma escrita de números y fechas. Comprueba la transcripción con la grabación: ninguno de los controles garantiza un reconocimiento correcto.
Lo que lo frenó
- Un archivo de audio por solicitud, de 1 segundo a 2 horas. Los tiempos por palabra y el idioma detectado vuelven en la transcripción estructurada, pero las etiquetas de hablante no, y no distingue a hablantes que comparten un canal. No se acepta audio sin procesar y sin encabezado (PCM, μ-law, A-law): envía un archivo en un contenedor como MP3, WAV, M4A, FLAC u OGG.
Qué demuestra la evidencia
Nuestro diagnóstico existente del 30 de septiembre de 2026 usó seis clips de LibriSpeech test-clean, seis hablantes, 53.6 segundos de lectura en inglés y 146 palabras de referencia. Grok STT obtuvo 1.37% de tasa de error de palabras: 2 sustituciones, 0 eliminaciones y 0 inserciones. La metodología de transcripción explica la normalización y el alcance. Reutilizamos resultados documentados sin una solicitud nueva.
Esta muestra pequeña, corta y limpia no demuestra precisión en reuniones, voces superpuestas, ruido, otros idiomas ni letras cantadas. La tasa de error de palabras mide diferencias con la referencia, no puntuación, formato ni atribución de hablantes. Tenlo presente para subtítulos, archivos de búsqueda o transcripciones finales.
Cómo preparar la primera entrada
Usa audio que tengas derecho o permiso para procesar. Comprueba principio, final, un nombre propio y un pasaje difícil contra la grabación. Marca como inciertas las palabras que no puedas verificar, en vez de asumir que el texto es correcto. La página del modelo explica la entrada admitida.
Empieza por lo que decide la aceptación: un nombre, una cifra difícil o una frase con un cambio de emoción. Compara el resultado con el original hasta el final. Mantén la entrada fija y cambia un solo control a la vez. Una voz agradable no demuestra que se hayan conservado todas las palabras.
Consulta la cotización actual en la página de la tarea antes de enviar. Los precios por carácter, segundo y solicitud no se comparan solo por el importe inicial. Usa el mismo pasaje o grabación e incluye las conversiones o la alineación que todavía necesites.
Cómo elegir una alternativa
Elige primero por la capacidad que falta. Una alternativa debe resolver un cuello de botella concreto: voces, guiones más largos, dirección o el tipo adecuado de transcripción. Un nombre más nuevo no basta. Las páginas actuales indican tareas y unidades de cobro.
Lo que Grok STT puede hacer en SpicyAPI
Tomado directamente de la especificación en vivo del modelo en SpicyAPI. Algunos creadores ofrecen más en sus propias apps; esto es lo que puedes llamar hoy desde nuestra API.
| Función | Voz a texto |
|---|---|
| Control de semilla | No |
| Prompt negativo | No |
¿Qué opinas?
¿Te resultó útil esta reseña?
Inicia sesión para votar.
Comentarios
Los comentarios se revisan de forma automática y por nuestro equipo. Eliminamos el spam, el contenido inapropiado, los ataques personales y cualquier cosa que nombre a una persona real sin su consentimiento. Si reportas un comentario, lo revisamos en un día hábil.
¿Probaste este modelo? Comparte lo que te funcionó. Necesitas una cuenta gratuita para comentar, así mantenemos fuera el spam.
Preguntas frecuentes sobre Grok STT
Prueba Grok STT por tu cuenta
Ajusta cada parámetro en el Playground y mira el precio exacto antes de lanzarlo.
Más reseñas
Ver las clasificaciones →
HeartMuLa Transcribe
Letras en texto, sin marcas de tiempo, valores de confianza ni etiquetas de hablante.
Probado el 30 sept 2026
Leer la reseña
Gemini 3.8 Flash-Lite TTS
Una o dos voces por solicitud: hasta 5.000 caracteres de guion para una voz, o hasta 20 líneas de diálogo de 250 caracteres cada una para dos.
Sin prueba práctica · catálogo verificado el 7 oct 2026
Leer la reseña
Gemini 3.8 Flash TTS
Una o dos voces por solicitud: hasta 5.000 caracteres de guion para una voz, o hasta 20 líneas de diálogo de 250 caracteres cada una para dos.
Sin prueba práctica · catálogo verificado el 7 oct 2026
Leer la reseña