Chi produce Grok STT e quando è uscito?

Lo produce xAI ed è uscito il 15 aprile 2026. Su SpicyAPI è una famiglia con un solo endpoint: un task, da voce a testo, richiamato come xai/grok-stt/speech-to-text. Riceve l’URL di un audio e restituisce testo, quindi non viene scritto nulla nell’archivio dei media.

Riesce a distinguere i parlanti?

Non dalla voce: le etichette dei parlanti non vengono restituite. Se ogni parlante è stato registrato sul proprio canale, come in molte registrazioni di chiamate, attiva multichannel e ogni canale torna sulla propria riga. Senza l’opzione, un file stereo con un parlante diverso per lato ne perdeva uno in entrambi i nostri test.

Perché viene trattenuto più di quanto viene addebitato?

La durata dell’audio si conosce solo dopo averlo letto, quindi alla creazione del task viene trattenuto il prezzo del massimo di due ore. Ti vengono addebitati i secondi di audio effettivi, e il resto della somma trattenuta viene liberato quando il task finisce. Nessuna opzione cambia il prezzo, e una richiesta fallita non viene addebitata.

Perché text_normalization richiede una lingua?

Numeri, valute e date si scrivono in modo diverso in ogni lingua, quindi il modello deve sapere quale convenzione seguire. Senza language la richiesta viene rifiutata prima di partire. Se non ti servono cifre, lascia language vuoto e la lingua viene rilevata per te.

Meglio questo modello o HeartMuLa Transcribe?

Dipende da cosa c’è nell’audio. Se trascrivi persone che parlano (chiamate, riunioni, interviste, contenuti parlati) e ti servono i tempi delle parole, una riga per canale o una lista di nomi da scrivere bene, usa Grok STT. Se estrai i testi da canzoni finite, dai un’occhiata a HeartMuLa Transcribe, pensato per le voci cantate.

API Grok STT — da voce a testo, trascrizioni senza filtri

xai/grok-stt/speech-to-text

Grok STT è lo speech-to-text di xAI: invia un URL audio e ricevi la trascrizione come testo più i tempi parola per parola e la lingua rilevata. Copre 25 lingue, con trascrizioni per canale e suggerimenti di termini chiave.

Da $0.00003/s

Esegui il modello Vedi l’API

Input

Da voce a testo

Audio di input1/1

Trascina qui un file audio, oppure sfoglia · 1 file · Max 90 MB · MP4 · MP3 · WAV

Lingua

Normalizza il testo

Termini chiave0/100

Mantieni le parole riempitive

Trascrivi i canali separatamente

Controllo del tuo account prima di abilitare invio e prezzi.

Output

Pronto per una nuova esecuzione

Il tuo risultato comparirà qui.

Configura gli input, controlla la stima, poi esegui il modello.

{
  "model": "xai/grok-stt/speech-to-text",
  "input": {
    "text_normalization": false,
    "filler_words": false,
    "multichannel": true,
    "audio_url": "https://cdn.spicyapi.ai/models/examples/grok-stt/a8922505cb831dc4.mp3"
  }
}

Introduzione

Invia un URL audio e, se vuoi, la lingua parlata, un elenco di termini chiave e tre interruttori: numeri in cifre, intercalari e trascrizione per canale. Il task restituisce la trascrizione come testo, più una trascrizione strutturata con i tempi di ogni parola, la lingua rilevata e la durata dell'audio; non viene prodotto alcun file. SpicyAPI non applica alcun filtro dei contenuti: il parlato senza filtri viene trascritto così come è stato pronunciato. La fatturazione avviene al secondo di audio.

Specifiche di Grok STT · Speech to Text
Campo	Valore
Input	Audio
Output	Testo
Campo obbligatorio	`audio_url` — un file caricato o un URL audio pubblico, da 1 secondo a 2 ore
Campi facoltativi	language (25 codici), `text_normalization`, keyterms (fino a 100), `filler_words`, multichannel
Risultato	Trascrizione in testo, più output.transcript con tempi per parola, lingua e durata; per canale con multichannel
Quantità fatturata	Secondi di audio; un file caricato viene riservato per la sua durata, un URL per il massimo di due ore
Tempo tipico	Circa 3 secondi per una clip di 10 secondi, circa 15 secondi per un'ora
Conservazione	L'audio caricato viene eliminato dopo un giorno; la trascrizione viene cancellata con i dati del prompt

Parametri della richiesta

Parametri della richiesta di Grok STT · Speech to Text
Parametro	Obbligatorio	Nota
`audio_url`	Sì	L'audio da trascrivere: un MP3 o WAV caricato, oppure un URL pubblico verso MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 o MKV. Da 1 secondo a 2 ore. almeno 1 caratteri
`language`	No	La lingua parlata come codice di lingua. Lascialo vuoto per rilevare la lingua automaticamente; il parlato in qualsiasi lingua supportata viene trascritto in entrambi i casi. `ar` · `cs` · `da` · `nl` · `en` · `fil` · `fr` · `de` · `hi` · `id` · `it` · `ja` · `ko` · `mk` · `ms` · `fa` · `pl` · `pt` · `ro` · `ru` · `es` · `sv` · `th` · `tr` · `vi`
`text_normalization`	No	Se attivo, numeri, prezzi, date e unità pronunciati vengono scritti in cifre: «$1,250» e «March 14» invece delle parole. Richiede language. Predefinito: `false`
`keyterms`	No	Fino a 100 parole o brevi espressioni (50 caratteri ciascuna) da privilegiare nella trascrizione: nomi, marchi, gergo. Non cambia il prezzo. Predefinito: `[]` al massimo 100 elementi
`filler_words`	No	Se attivo, gli intercalari come um e uh restano nella trascrizione; disattivato (default), vengono rimossi. Non cambia il prezzo. Predefinito: `false`
`multichannel`	No	Se attivo, ogni canale di un file multicanale (fino a 8) viene trascritto separatamente e torna su una riga propria, nell'ordine dei canali. Predefinito: `false`

Prezzi

$0.00003 / secondo di audio

Fatturato al secondo di audio. Alla creazione del task viene riservato il prezzo della durata reale se l'audio è caricato, oppure quello del massimo di due ore per un URL audio; paghi la durata reale e il resto viene sbloccato. Una richiesta non riuscita non viene fatturata.

Casi d’uso

Note vocali e storie audio

Il parlato senza filtri viene trascritto così come viene pronunciato, quindi messaggi vocali, registrazioni di roleplay e storie audio possono essere cercati, sottotitolati o modificati come testo.

Registrazioni di chiamate

Le registrazioni con ogni lato su un canale proprio tornano come una riga per lato quando multichannel è attivo. Senza, i nostri test hanno restituito solo uno dei due lati, quindi attivalo per le chiamate a canali separati.

Verificare il parlato generato

Ripassa nel modello un risultato di sintesi vocale e confronta la trascrizione con il copione: parole saltate, un finale tagliato o un tag letto ad alta voce saltano subito all'occhio.

Nomi, marchi e numeri

Elenca i nomi insoliti come termini chiave e attiva la normalizzazione del testo: la trascrizione scrive i nomi a modo tuo e prezzi e date come $1,250 o March 14.

Esplora i tutorial sui casi d’uso principali

Consigli avanzati

Punta audio_url sull'audio

Carica un MP3 o un WAV, oppure passa un URL pubblico che risponda con l'audio stesso: una pagina di player o un link di condivisione che restituisce HTML non funziona. Da 1 secondo a 2 ore.
Aggiungi quello che sai

Imposta language se conosci la lingua, elenca nomi e marchi in keyterms e attiva text_normalization se vuoi i numeri in cifre. text_normalization richiede language.
Leggi il testo dal task

La trascrizione arriva come testo nel risultato del task, e output.transcript elenca ogni parola con il tempo di inizio e di fine. Con multichannel c'è una riga per canale, nell'ordine dei canali. Copiala nel tuo storage se ti serve più avanti.

Cosa restituisce

La trascrizione come testo nel risultato del task, più output.transcript: la lingua rilevata e il suo codice, la durata dell'audio in secondi e ogni parola con il tempo di inizio e di fine in secondi. Con multichannel, output.transcript.channels contiene lo stesso per ogni canale. Non viene prodotto alcun file e nulla entra nello storage dei media. Le etichette dei parlanti non sono incluse.

Inviare l'audio

audio_url accetta un MP3 o WAV caricato, oppure un URL pubblico verso MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 o MKV, da 1 secondo a 2 ore. L'URL deve rispondere con l'audio stesso. L'audio grezzo senza intestazione di file (PCM, μ-law, A-law) non è accettato.

Lingua e numeri

Se language resta vuoto, la lingua viene rilevata; il parlato in una qualsiasi delle 25 lingue supportate viene trascritto in entrambi i casi. Impostalo e attiva text_normalization per avere numeri, prezzi, date e unità in forma scritta: nel nostro test «one thousand two hundred fifty dollars on March fourteenth» è diventato «$1,250 on March 14». text_normalization richiede language.

Termini chiave e intercalari

keyterms accetta fino a 100 termini di massimo 50 caratteri, uno per riga. Nel nostro test «Xandrelle» e «Qorvessa» sono tornati come «Xandrel» e «Corvessa» senza di essi, e perfettamente giusti con essi. filler_words mantiene um e uh, che di default vengono rimossi.

Più canali

Attiva multichannel per le registrazioni con ogni parlante su un canale proprio. Ogni canale viene trascritto separatamente e torna su una riga propria, nell'ordine dei canali. Lascialo disattivato solo se tutti i canali portano lo stesso suono: nei nostri test un file stereo con un parlante diverso su ogni lato è tornato senza uno dei due parlanti.

Fatturazione

Contenuti

SpicyAPI non aggiunge filtri sui contenuti. Nei nostri test il parlato senza filtri è tornato parola per parola, senza asterischi, bip o lacune.

SpicyAPI non aggiunge alcun filtro dei contenuti: il parlato viene trascritto così come è stato pronunciato, invece di essere oscurato o rifiutato. Sei responsabile dei diritti sull'audio che invii e del consenso delle persone registrate.

Avvio rapido dell’API

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "xai/grok-stt/speech-to-text",
  "input": {
    "audio_url": "https://example.com/reference.mp3"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.

Modelli correlati e attività successive

Manca il modello che ti serve?

Dicci cosa aggiungere e dove lo useresti. Le richieste arrivano a chi decide quali modelli integrare per primi.

Da voce a testo in 25 lingue, con cifre, nomi e canali come vuoi tu

Grok STT di xAI riceve l’URL di un audio e restituisce quanto è stato detto come testo nel task, insieme a una trascrizione strutturata in cui ogni parola ha il suo tempo. Se lasci la lingua vuota viene rilevata; se la indichi, i numeri possono essere scritti in cifre. Elenca i nomi che contano e tornano scritti a modo tuo, e attiva multichannel per dare a ogni canale di una chiamata la sua riga. Non viene scritto nulla nell’archivio dei media, e paghi solo i secondi di audio che invii davvero.

Apri il playground

Input: audio_url: un MP3 o WAV caricato, oppure un URL pubblico verso un formato audio o video comune
Durata: Da 1 secondo a 2 ore per richiesta
Lingue: 25 lingue parlate; rilevamento automatico se lasci language vuoto
Output: Testo della trascrizione, più una trascrizione con i tempi delle parole; una voce per canale con multichannel
Fatturazione: Al secondo di audio; nessuna opzione cambia il prezzo
Conservazione: Nessun file multimediale scritto; l’audio caricato viene eliminato dopo 1 giorno

Lingue: 25 lingue parlate, rilevate o indicateLascia language vuoto e la lingua viene rilevata; il parlato in una qualsiasi delle 25 lingue supportate viene trascritto in ogni caso. Indicala quando vuoi usare text_normalization: scrive i numeri come li scrive quella lingua e quindi deve sapere quale sia.
Struttura: Il testo nel task e, accanto, una trascrizione con i tempiIl risultato contiene la trascrizione completa come testo. Accanto, output.transcript elenca la lingua rilevata, la durata dell’audio in secondi e ogni parola con il tempo di inizio e di fine; con multichannel lo stesso vale per ogni canale. Non viene prodotto alcun file. Le etichette dei parlanti non fanno parte del risultato.
Canali: Una riga per canale quando le voci sono registrate separateCon multichannel, ogni canale del file (fino a 8) viene trascritto separatamente e restituito sulla propria riga, nell’ordine dei canali. È l’impostazione che si dimentica più spesso: nei nostri test un file stereo con un parlante diverso per lato tornava con uno solo dei due quando era disattivata.

Cosa fa bene l’API di Grok STT

Numeri scritti come li scrivono le persone
Con text_normalization, cifre, prezzi, date e unità pronunciati a voce tornano in numeri. Nel nostro test “one thousand two hundred fifty dollars on March fourteenth” è diventato “$1,250 on March 14”. Serve language, perché ogni lingua li scrive in modo diverso; senza, la richiesta viene rifiutata prima di partire. Disattivata per impostazione predefinita.
Nomi scritti come nella tua lista
keyterms accetta fino a 100 parole o brevi espressioni di al massimo 50 caratteri, una per riga, e orienta la trascrizione verso di esse. Due nomi inventati in un annuncio di lounge sono tornati come “Xandrel” e “Corvessa” senza la lista, ed esatti con la lista. Usala per ospiti, marchi, nomi di prodotto e gergo.
Entrambi i lati di una chiamata, non uno solo
Una registrazione con l’operatore sul canale sinistro e il cliente su quello destro richiede multichannel. Ogni lato torna sulla propria riga, e output.transcript.channels contiene i tempi delle parole per ogni canale. Senza l’opzione, i nostri test in stereo restituivano uno solo dei due parlanti; l’altro lato mancava del tutto.
Gli “ehm” e i “cioè”, tenuti o tolti
Le parole riempitive vengono rimosse per impostazione predefinita, e i sottotitoli e gli appunti risultano puliti. Attiva filler_words per una trascrizione letterale: nel nostro test la trascrizione iniziava con “Um, so, uh,” proprio come pronunciato. Nessuna delle due impostazioni cambia il prezzo.
Il parlato senza filtri torna com’è stato detto
SpicyAPI non aggiunge alcun filtro sui contenuti. Nei nostri test le registrazioni del nostro monologo e dei nostri testi narrativi più forti sono tornate parola per parola, senza asterischi, bip o vuoti. Così ricerca, sottotitoli e revisione continuano a funzionare sullo stesso materiale su cui è costruito il resto del tuo prodotto. I diritti sull’audio e il consenso delle persone registrate restano tuoi.
Registrazioni lunghe senza lunga attesa
Una richiesta accetta da 1 secondo a 2 ore di audio. Nelle nostre prove una clip di 10 secondi è tornata in circa 3 secondi e un’ora intera in circa 15. L’invio restituisce subito un task, e la trascrizione si legge da quel task quando ha finito.

Per chi è Grok STT

Podcaster e montatori video
Sottotitoli e note dell’episodio dalla registrazione che hai già
Ogni parola arriva con il tempo di inizio e di fine, quindi le righe dei sottotitoli si possono tagliare alla lunghezza che serve al tuo player. Metti i nomi di ospiti e marchi in keyterms perché vengano scritti una volta sola e correttamente, e lascia filler_words disattivato per un testo che si legge pulito.
Team di assistenza e vendite
Chiamate registrate con i lati separati
Le chiamate sono spesso registrate con una persona per canale. Con multichannel, operatore e cliente tornano su righe separate, che è ciò che serve per una revisione, un riassunto o una ricerca nella chiamata. Non ci sono etichette dei parlanti: una registrazione con tutti mescolati su un solo canale restituisce un unico flusso di testo.
Appunti di riunioni e interviste
Appunti in cui cifre e nomi sono giusti
Indica language e attiva text_normalization, e importi, date e quantità arrivano in cifre invece che in lettere. Aggiungi partecipanti e nomi di prodotto in keyterms e smettono di cambiare grafia da una riunione all’altra.
Creator e piattaforme di audio senza filtri
Un passaggio di trascrizione che non rifiuta il materiale
Audiodrammi, registrazioni di roleplay e cataloghi di audiolibri senza filtri vengono trascritti come sono stati detti, quindi ricerca, sottotitoli e revisione funzionano su tutta la libreria invece di lasciare una sezione senza testo. La responsabilità del materiale di partenza e del consenso delle persone che vi compaiono resta di chi chiama l’API.

Come chiamare l’API di Grok STT

Punta audio_url sull’audio stesso
Carica un MP3 o WAV, oppure passa un URL pubblico che risponda con i byte dell’audio. Funzionano MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 e MKV, da 1 secondo a 2 ore. Una pagina di player o un link di condivisione che restituisce HTML fallisce, e l’audio grezzo senza intestazione di file (PCM, μ-law, A-law) non viene accettato.
Aggiungi ciò che sai della registrazione
Indica language se conosci la lingua, elenca nomi e parole di marca in keyterms e attiva text_normalization per ottenere cifre (richiede language). Se le voci sono su canali separati, attiva multichannel; se vuoi tenere gli “ehm”, attiva filler_words.
Invia con una Idempotency-Key e aspetta il task
L’invio restituisce un task. Manda una Idempotency-Key perché un nuovo tentativo dopo una connessione caduta finisca sullo stesso task invece di crearne un secondo, poi interroga il task o ricevi il callback che hai registrato.
Leggi il testo e tieni una copia tua
La trascrizione arriva come testo nel risultato del task, e output.transcript contiene i tempi delle parole, la lingua rilevata e la durata dell’audio. Non viene scritto nulla nell’archivio dei media, e la trascrizione viene cancellata insieme ai dati del prompt, quindi copiala nel tuo archivio quando il task finisce.

Grok STT: esempi pratici

Una chiamata stereo con un parlante per lato
Una registrazione di 12 secondi con una donna sul canale sinistro e un uomo sul destro, inviata con multichannel. Ogni lato è tornato sulla propria riga. Con multichannel disattivato, lo stesso file ha restituito solo le parole della donna.
```
{"audio_url": "https://files.example.com/calls/support-call-0412.wav", "multichannel": true}
```
Nomi senza grafia da dizionario
Un annuncio di lounge con due nomi inventati, inviato con entrambi come termini chiave. Senza la lista lo stesso audio è tornato come “Xandrel” e “Corvessa”; con la lista i nomi erano esattamente quelli elencati.
```
{"audio_url": "https://files.example.com/announcements/lounge-announcement.mp3", "keyterms": [{"term": "Xandrelle"}, {"term": "Qorvessa"}]}
```
Una conferma di prenotazione con le cifre in numeri
Una conferma parlata, inviata con la lingua indicata e text_normalization attiva. Prezzo e data sono tornati come “$1,250” e “March 14” invece che in parole.
```
{"audio_url": "https://files.example.com/calls/booking-confirmation.mp3", "language": "en", "text_normalization": true}
```

API di Grok STT: domande frequenti

Buona parte della qualità dipende da ciò che dici prima di avviare. Indica la lingua quando la conosci, elenca i nomi che non devono cambiare e attiva multichannel appena una registrazione tiene i parlanti su canali separati: questa sola impostazione decide se mezza conversazione sparisce. Se fai sottotitoli, leggi la trascrizione con i tempi e non solo il testo. Il prezzo segue soltanto i secondi di audio, quindi prova prima con una clip breve e guarda il preventivo in tempo reale sulla pagina.

Playground

Input

Output

Introduzione

Parametri della richiesta

Prezzi

Casi d’uso

Note vocali e storie audio

Registrazioni di chiamate

Verificare il parlato generato

Nomi, marchi e numeri

Consigli avanzati

Cosa restituisce

Inviare l'audio

Lingua e numeri

Termini chiave e intercalari

Più canali

Fatturazione

Contenuti

Avvio rapido dell’API

Modelli correlati e attività successive

Da voce a testo in 25 lingue, con cifre, nomi e canali come vuoi tu

Cosa fa bene l’API di Grok STT

Numeri scritti come li scrivono le persone

Nomi scritti come nella tua lista

Entrambi i lati di una chiamata, non uno solo

Gli “ehm” e i “cioè”, tenuti o tolti

Il parlato senza filtri torna com’è stato detto

Registrazioni lunghe senza lunga attesa

Per chi è Grok STT

Sottotitoli e note dell’episodio dalla registrazione che hai già

Chiamate registrate con i lati separati

Appunti in cui cifre e nomi sono giusti

Un passaggio di trascrizione che non rifiuta il materiale

Come chiamare l’API di Grok STT

Punta audio_url sull’audio stesso

Aggiungi ciò che sai della registrazione

Invia con una Idempotency-Key e aspetta il task

Leggi il testo e tieni una copia tua

Grok STT: esempi pratici

Una chiamata stereo con un parlante per lato

Nomi senza grafia da dizionario

Una conferma di prenotazione con le cifre in numeri

API di Grok STT: domande frequenti

Chi produce Grok STT e quando è uscito?

Riesce a distinguere i parlanti?

Perché viene trattenuto più di quanto viene addebitato?

Perché text_normalization richiede una lingua?

Meglio questo modello o HeartMuLa Transcribe?

Tutti i modelli Grok6

Modelli audio2

Modelli di testo4

Confronti correlati