Grok STT는 누가 만들었고 언제 공개되었나요?

xAI가 만들었고 2026년 4월 15일에 공개되었습니다. SpicyAPI에서는 음성→텍스트 작업 하나만 가진 계열이며 xai/grok-stt/speech-to-text로 호출합니다. 오디오 URL을 받아 텍스트를 돌려주므로 미디어 저장소에는 아무것도 기록되지 않습니다.

화자를 구분할 수 있나요?

목소리로는 구분하지 않습니다. 화자 라벨이 반환되지 않기 때문입니다. 통화 녹음처럼 화자마다 채널이 따로라면 multichannel을 켜세요. 채널마다 한 줄씩 돌아옵니다. 끄면 좌우에 다른 화자가 있는 스테레오 파일은 두 번의 테스트 모두에서 한 명이 빠졌습니다.

과금액보다 더 많이 잡아 두는 이유는 무엇인가요?

오디오 길이는 읽어 봐야 알 수 있으므로 작업을 만들 때 최대 2시간 분량의 가격을 잡아 둡니다. 실제 오디오 초 수만큼만 과금되고, 남은 금액은 작업이 끝나면 풀립니다. 어떤 옵션도 가격을 바꾸지 않으며, 실패한 요청은 과금되지 않습니다.

text_normalization에 language가 필요한 이유는 무엇인가요?

숫자, 통화, 날짜는 언어마다 표기법이 달라서 모델이 어느 관례를 따를지 알아야 합니다. language가 없으면 요청은 실행 전에 거절됩니다. 숫자 표기가 필요 없다면 language를 비워 두세요. 언어는 자동으로 감지됩니다.

이것과 HeartMuLa Transcribe 중 무엇을 써야 하나요?

오디오에 무엇이 담겼는지에 따라 다릅니다. 통화, 회의, 인터뷰, 낭독처럼 사람이 말하는 오디오이고 단어별 시간, 채널별 줄, 정확히 적어야 할 이름 목록이 필요하다면 Grok STT를 쓰세요. 완성된 노래에서 가사를 뽑는다면 노래하는 목소리를 대상으로 한 HeartMuLa Transcribe를 살펴보세요.

Grok STT API — 음성 인식, 필터 없는 받아쓰기

xai/grok-stt/speech-to-text

Grok STT는 xAI의 speech-to-text로, 오디오 URL을 보내면 전사 텍스트와 단어 단위 타이밍, 감지된 언어를 돌려줍니다. 25개 언어, 채널별 전사, 핵심 용어 힌트를 지원합니다.

최저가 $0.00003/초

모델 실행 API 보기

입력

음성→텍스트

입력 오디오1/1

오디오 파일을 끌어다 놓거나 직접 선택하세요 · 파일 1개 · 개당 최대 90 MB · MP4 · MP3 · WAV

언어

텍스트 정규화

핵심 용어0/100

간투사(음, 어) 유지

채널별 전사

제출과 가격 계산을 열기 전에 계정을 확인하고 있습니다.

출력

실행 대기

결과가 여기에 표시됩니다.

입력을 설정하고 예상 비용을 확인한 뒤 모델을 실행하세요.

{
  "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"
  }
}

소개

오디오 URL과 함께 필요하면 말한 언어, 핵심 용어 목록, 스위치 세 개(숫자 표기 변환, 군말 유지, 채널별 받아쓰기)를 보냅니다. 작업은 받아쓰기를 텍스트로 반환하고, 단어별 타이밍·감지된 언어·오디오 길이가 담긴 구조화된 받아쓰기도 함께 반환합니다. 파일은 만들어지지 않습니다. SpicyAPI는 콘텐츠 필터를 적용하지 않으며, 검열 없는 발화도 말한 그대로 받아적습니다. 오디오 1초마다 과금됩니다.

Grok STT · Speech to Text 사양
항목	값
입력	오디오
출력	텍스트
필수 필드	`audio_url` — 업로드한 파일 또는 공개 오디오 URL, 1초~2시간
선택 필드	language(25개 코드), `text_normalization`, keyterms(최대 100개), `filler_words`, multichannel
결과	텍스트 받아쓰기와, 단어 타이밍·언어·길이를 담은 output.transcript, multichannel이면 채널별
과금 수량	오디오 초 수, 업로드한 파일은 실제 길이만큼, URL은 최대 2시간 분량을 잡아 둠
일반적인 시간	10초 클립에 약 3초, 1시간에 약 15초
보관 기간	업로드한 오디오는 하루 뒤 삭제, 받아쓰기는 프롬프트 데이터와 함께 삭제

요청 파라미터

Grok STT · Speech to Text 요청 파라미터
파라미터	필수	설명
`audio_url`	예	받아쓸 오디오입니다. 업로드한 MP3나 WAV, 또는 MP3·WAV·M4A·FLAC·OGG·Opus·AAC·MP4·MKV의 공개 URL을 넣습니다. 1자 이상
`language`	아니요	말한 언어의 언어 코드입니다. 비워 두면 언어가 자동 감지되며, 어느 쪽이든 지원 언어의 발화는 받아써집니다. `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`	아니요	켜면 말로 된 숫자, 가격, 날짜, 단위를 아라비아 숫자로 적습니다(단어 대신 ‘$1,250’, ‘March 14’). language가 필요합니다. 기본값: `false`
`keyterms`	아니요	받아쓰기에서 우선하도록 할 단어나 짧은 구를 최대 100개(각 50자까지) 넣습니다. 이름, 브랜드명, 전문 용어에 씁니다. 기본값: `[]` 100개 이하
`filler_words`	아니요	켜면 um, uh 같은 군말을 받아쓰기에 남기고, 꺼짐(기본값)이면 지웁니다. 가격에는 영향을 주지 않습니다. 기본값: `false`
`multichannel`	아니요	켜면 다채널 파일(최대 8채널)의 각 채널을 따로 받아써 채널 순서대로 한 줄씩 돌려줍니다. 화자가 채널마다 따로 녹음된 경우에 씁니다. 기본값: `false`

요금

$0.00003 / 오디오 1초

오디오 1초마다 과금됩니다. 작업을 만들 때 업로드한 오디오는 실제 길이만큼, 오디오 URL은 최대치인 2시간 분량의 금액을 잡아 두고, 실제 길이만큼 결제하며 나머지는 해제됩니다. 실패한 요청은 과금되지 않습니다.

활용 사례

음성 메모와 오디오 스토리

검열 없는 발화도 말한 그대로 받아적히므로, 음성 메시지, 롤플레이 녹음, 오디오 스토리를 텍스트로 검색하고 자막을 달거나 편집할 수 있습니다.

통화 녹음

양쪽이 각자 다른 채널에 담긴 녹음은 multichannel을 켜면 한 사람당 한 줄로 돌아옵니다. 끈 상태에서는 테스트에서 한쪽만 돌아왔으므로 채널이 나뉜 통화에는 켜 두세요.

생성된 음성 검수

텍스트 음성 변환 결과를 다시 받아써서 대본과 비교하면 건너뛴 단어, 잘린 끝부분, 소리 내어 읽힌 태그가 바로 드러납니다.

이름, 브랜드, 숫자

드문 이름을 핵심 용어로 등록하고 text normalization을 켜면, 이름은 원하는 철자로, 가격과 날짜는 $1,250이나 March 14 같은 표기로 받아씁니다.

주요 활용 사례 튜토리얼 보기

프롬프트 가이드 및 실전 팁

audio_url로 오디오 가리키기

MP3나 WAV를 업로드하거나 오디오 자체를 반환하는 공개 URL을 넘깁니다. HTML을 반환하는 플레이어 페이지나 공유 링크는 실패합니다. 길이는 1초~2시간입니다.
아는 정보 더하기

언어를 알면 language를 설정하고, 이름과 브랜드명을 keyterms에 나열하고, 숫자를 아라비아 숫자로 적으려면 text_normalization을 켭니다. text_normalization에는 language가 필요합니다.
작업에서 텍스트 읽기

받아쓰기는 작업 결과의 텍스트로 도착하고, output.transcript에는 단어마다 시작·종료 시각이 나열됩니다. multichannel을 켜면 채널 순서대로 채널마다 한 줄입니다. 나중에 필요하면 직접 스토리지에 복사해 두세요.

반환되는 것

작업 결과의 텍스트로 된 받아쓰기에 더해, output.transcript에 감지된 언어와 언어 코드, 오디오 길이(초), 단어마다의 시작·종료 시각(초)이 담깁니다. multichannel을 켜면 output.transcript.channels에 채널마다 같은 내용이 담깁니다. 파일은 만들어지지 않고 미디어 스토리지에도 아무것도 들어가지 않습니다. 화자 라벨은 포함되지 않습니다.

오디오 보내기

audio_url에는 업로드한 MP3나 WAV, 또는 MP3·WAV·M4A·FLAC·OGG·Opus·AAC·MP4·MKV의 공개 URL을 넣으며 길이는 1초~2시간입니다. URL은 오디오 자체를 반환해야 합니다. 파일 헤더가 없는 원시 오디오(PCM, μ-law, A-law)는 받지 않습니다.

언어와 숫자

language를 비워 두면 언어가 자동 감지되며, 어느 쪽이든 지원하는 25개 언어의 발화는 받아써집니다. 언어를 지정하고 text_normalization을 켜면 숫자, 가격, 날짜, 단위가 문자 표기로 바뀝니다. 테스트에서는 ‘one thousand two hundred fifty dollars on March fourteenth’가 ‘$1,250 on March 14’가 되었습니다. text_normalization에는 language가 필요합니다.

핵심 용어와 군말

keyterms에는 50자 이하의 용어를 한 줄에 하나씩 최대 100개까지 넣습니다. 테스트에서 ‘Xandrelle’과 ‘Qorvessa’는 등록하지 않으면 ‘Xandrel’, ‘Corvessa’로, 등록하면 정확히 돌아왔습니다. filler_words는 기본적으로 지워지는 um과 uh를 남깁니다.

여러 채널

화자마다 채널이 나뉜 녹음에는 multichannel을 켭니다. 채널마다 따로 받아써 채널 순서대로 한 줄씩 돌려줍니다. 모든 채널에 같은 소리가 담긴 경우에만 꺼 두세요. 테스트에서 좌우에 다른 화자가 있는 스테레오 파일은 두 사람 중 한 명이 빠진 채 돌아왔습니다.

과금

오디오 1초마다 과금됩니다. 작업을 만들 때 업로드한 오디오는 실제 길이만큼, 오디오 URL은 최대치인 2시간 분량의 금액을 잡아 두고, 실제 길이만큼 결제하며 나머지는 해제됩니다. 어떤 옵션도 가격에 영향을 주지 않습니다. 실패한 요청은 과금되지 않습니다.

콘텐츠

SpicyAPI는 콘텐츠 필터를 추가하지 않습니다. 테스트에서 검열 없는 발화가 별표, 삐 소리, 누락 없이 한 단어도 빠짐없이 그대로 돌아왔습니다.

SpicyAPI는 콘텐츠 필터를 더하지 않으며, 발화는 가리거나 거부하지 않고 말한 그대로 받아적습니다. 보내는 오디오에 대한 권리와 녹음된 사람들의 동의는 사용자가 책임집니다.

API 빠른 시작

# 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"

인증, 전체 스키마, 폴링과 오류 처리는 API 레퍼런스에서 확인하세요.

25개 언어 음성 전사, 숫자도 이름도 채널도 원하는 대로

xAI의 Grok STT는 오디오 URL을 받아 말한 내용을 작업 결과의 텍스트로 돌려주고, 단어마다 시간이 붙은 구조화된 전사도 함께 제공합니다. 언어를 비워 두면 자동으로 감지하고, 지정하면 숫자를 아라비아 숫자로 적어 줍니다. 중요한 이름을 목록에 넣어 두면 원하는 철자로 나오고, multichannel을 켜면 통화의 각 채널이 한 줄씩 따로 나옵니다. 미디어 저장소에는 아무것도 기록되지 않으며, 실제로 보낸 오디오의 초 단위로만 과금됩니다.

플레이그라운드 열기

입력: audio_url: 업로드한 MP3 또는 WAV, 또는 일반적인 오디오·영상 형식의 공개 URL
길이: 요청당 1초부터 2시간까지
언어: 구어 25개 언어, language를 비우면 자동 감지
출력: 전사 텍스트와 단어별 시간이 붙은 전사, multichannel이면 채널마다 한 항목
과금: 오디오 초 단위, 어떤 옵션도 가격을 바꾸지 않음
보관: 미디어 자산은 만들어지지 않으며 업로드한 오디오는 1일 뒤 삭제

언어: 구어 25개 언어, 감지도 지정도 가능language를 비워 두면 언어를 감지하며, 지원하는 25개 언어 가운데 어느 것이든 지정 여부와 관계없이 전사됩니다. 지정이 필요한 때는 text_normalization을 쓸 때입니다. 그 언어의 표기법대로 숫자를 적으려면 어느 언어인지 알아야 하기 때문입니다.
구조: 작업 위의 텍스트, 그 옆의 시간 붙은 전사결과에는 전체 전사가 텍스트로 담깁니다. 그 옆의 output.transcript에는 감지된 언어, 오디오 길이(초), 그리고 단어마다 시작·종료 시간이 나열되고, multichannel을 켜면 채널별로도 같은 내용이 붙습니다. 파일은 만들어지지 않습니다. 화자 라벨은 결과에 포함되지 않습니다.
채널: 화자가 따로 녹음되었다면 채널마다 한 줄multichannel을 켜면 파일의 각 채널(최대 8개)을 따로 전사해 채널 순서대로 한 줄씩 돌려줍니다. 가장 자주 놓치는 설정입니다. 저희 테스트에서 좌우에 서로 다른 화자가 있는 스테레오 파일은 이 설정을 끄면 한쪽 화자만 돌아왔습니다.

Grok STT API의 강점

숫자를 사람이 적는 방식 그대로
text_normalization을 켜면 말로 한 수치, 금액, 날짜, 단위가 숫자로 돌아옵니다. 테스트에서 “one thousand two hundred fifty dollars on March fourteenth”가 “$1,250 on March 14”가 되었습니다. 언어마다 표기가 다르므로 language가 필요하며, 없으면 요청이 실행 전에 거절됩니다. 기본값은 꺼짐입니다.
목록에 적은 철자대로 나오는 이름
keyterms는 50자 이내의 단어나 짧은 구를 한 줄에 하나씩 최대 100개까지 받아 전사를 그쪽으로 유도합니다. 라운지 안내 방송에 나온 가상의 이름 두 개는 목록 없이는 “Xandrel”과 “Corvessa”로, 목록이 있으면 정확히 적은 대로 나왔습니다. 게스트, 브랜드, 제품명, 전문 용어에 쓰세요.
통화의 한쪽이 아니라 양쪽 모두
왼쪽 채널에 상담원, 오른쪽 채널에 고객이 녹음된 파일에는 multichannel이 필요합니다. 각각 한 줄씩 나오고, output.transcript.channels에 채널별 단어 시간이 담깁니다. 끄면 스테레오 테스트에서 두 화자 중 한 명만 돌아왔고, 반대쪽은 통째로 빠졌습니다.
음, 어는 남기거나 지우거나
군말은 기본적으로 제거되어 자막과 회의록이 깔끔하게 읽힙니다. 말한 그대로의 기록이 필요하면 filler_words를 켜세요. 테스트에서는 전사가 말한 그대로 “Um, so, uh,”로 시작했습니다. 어느 쪽이든 가격은 바뀌지 않습니다.
필터 없는 발화도 말한 그대로
SpicyAPI는 자체 콘텐츠 필터를 덧대지 않습니다. 테스트에서 저희에게서 가장 강한 독백과 내레이션 원고를 녹음한 것이 별표도 삐 소리도 빈칸도 없이 한 단어씩 그대로 돌아왔습니다. 그래서 검색, 자막, 검토가 제품의 나머지 부분과 같은 자료 위에서 계속 작동합니다. 오디오에 대한 권리와 녹음된 사람들의 동의는 계속 사용자에게 있습니다.
긴 녹음도 오래 기다리지 않습니다
요청 하나에 1초부터 2시간까지의 오디오를 담을 수 있습니다. 저희 실행에서는 10초 클립이 약 3초, 1시간 전체가 약 15초 만에 돌아왔습니다. 제출하면 작업이 곧바로 돌아오고, 끝나면 그 작업에서 전사를 읽어 옵니다.

Grok STT 이런 분께 맞습니다

팟캐스터와 영상 편집자
가지고 있는 녹음에서 자막과 쇼 노트 만들기
모든 단어에 시작·종료 시간이 붙으므로 플레이어에 맞는 길이로 자막 줄을 자를 수 있습니다. 게스트와 브랜드 이름을 keyterms에 넣어 두면 철자가 한 번에 정확히 정해집니다. 깔끔하게 읽히는 글이 필요하면 filler_words는 꺼 두세요.
고객지원·영업 팀
녹음된 통화를 화자별로 나눠 보관하기
통화는 한 사람당 한 채널로 녹음되는 경우가 많습니다. multichannel을 켜면 상담원과 고객이 서로 다른 줄로 돌아오므로 검토, 요약, 통화 검색에 바로 쓸 수 있습니다. 화자 라벨은 없으므로 모두가 한 채널에 섞인 녹음은 하나의 텍스트 흐름으로 돌아옵니다.
회의·인터뷰 기록
수치와 이름이 정확한 기록
language를 지정하고 text_normalization을 켜면 금액, 날짜, 수량이 풀어 쓴 말이 아니라 숫자로 도착합니다. 참석자와 제품 이름을 keyterms에 더하면 회의마다 철자가 흔들리는 일이 사라집니다.
필터 없는 오디오 크리에이터와 플랫폼
소재를 거절하지 않는 전사 단계
오디오 드라마, 롤플레이 녹음, 필터 없는 오디오북 카탈로그도 말한 그대로 전사되므로 라이브러리의 한 구역만 텍스트가 없는 일 없이 전체에서 검색, 자막, 검토가 작동합니다. 소재와 그 안에 담긴 사람들의 동의에 대한 책임은 호출하는 쪽에 있습니다.

Grok STT API 호출 방법

audio_url은 오디오 자체를 가리키게 하세요
MP3나 WAV를 업로드하거나, 오디오 바이트 자체로 응답하는 공개 URL을 넘기세요. MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4, MKV를 지원하며 길이는 1초부터 2시간까지입니다. 재생 페이지나 HTML을 돌려주는 공유 링크는 실패하고, 파일 헤더가 없는 원시 오디오(PCM, μ-law, A-law)도 받지 않습니다.
녹음에 대해 아는 것을 더하세요
언어를 안다면 language를 지정하고, 이름과 브랜드 단어는 keyterms에 나열하고, 숫자를 아라비아 숫자로 원하면 text_normalization을 켜세요(language가 필요합니다). 화자가 별도 채널에 녹음되었다면 multichannel을, 군말도 남기고 싶다면 filler_words를 켜세요.
Idempotency-Key와 함께 보내고 작업을 기다리세요
제출하면 작업이 돌아옵니다. Idempotency-Key를 함께 보내면 연결이 끊긴 뒤의 재시도가 두 번째 작업을 만들지 않고 같은 작업으로 이어집니다. 이후 작업을 폴링하거나 등록한 콜백을 받으세요.
텍스트를 읽고 내 저장소에도 보관하세요
전사는 작업 결과에 텍스트로 도착하고, output.transcript에는 단어별 시간, 감지된 언어, 오디오 길이가 담겨 있습니다. 미디어 저장소에는 아무것도 기록되지 않으며 전사는 프롬프트 데이터와 함께 삭제되므로, 작업이 끝나면 자신의 저장소로 복사하세요.

Grok STT 실제 예시

좌우에 다른 화자가 있는 스테레오 통화
왼쪽 채널에 여성, 오른쪽 채널에 남성이 녹음된 12초 분량을 multichannel을 켜고 보냈습니다. 각 쪽이 한 줄씩 따로 돌아왔습니다. 끄면 같은 파일에서 여성의 말만 돌아왔습니다.
```
{"audio_url": "https://files.example.com/calls/support-call-0412.wav", "multichannel": true}
```
사전에 없는 철자의 이름
가상의 이름 두 개가 들어간 라운지 안내 방송을 두 이름 모두 핵심어로 넣어 보냈습니다. 목록이 없으면 같은 오디오가 “Xandrel”과 “Corvessa”로 나왔고, 있으면 이름이 적은 그대로 나왔습니다.
```
{"audio_url": "https://files.example.com/announcements/lounge-announcement.mp3", "keyterms": [{"term": "Xandrelle"}, {"term": "Qorvessa"}]}
```
숫자가 아라비아 숫자로 나오는 예약 확인
언어를 지정하고 text_normalization을 켜서 말로 한 예약 확인을 보냈습니다. 금액과 날짜가 말이 아니라 “$1,250”과 “March 14”로 돌아왔습니다.
```
{"audio_url": "https://files.example.com/calls/booking-confirmation.mp3", "language": "en", "text_normalization": true}
```

Grok STT API 자주 묻는 질문

품질의 대부분은 실행하기 전에 무엇을 알려 주느냐에서 나옵니다. 언어를 안다면 지정하고, 흔들리면 안 되는 이름은 목록에 넣고, 화자가 별도 채널에 녹음된 파일이라면 바로 multichannel을 켜세요. 이 설정 하나가 대화의 절반이 통째로 사라지느냐를 가릅니다. 자막을 만든다면 텍스트만이 아니라 시간이 붙은 전사를 읽으세요. 가격은 오디오 초 수만 따르므로 먼저 짧은 클립으로 시험해 보고 페이지의 실시간 견적을 확인하세요.

Grok 전체 모델6

오디오 모델2

Grok STT현재음성→텍스트$0.00003출력 초당
Grok TTS텍스트→음성$0.0181,000자당

플레이그라운드

입력

출력

소개

요청 파라미터

요금

활용 사례

음성 메모와 오디오 스토리

통화 녹음

생성된 음성 검수

이름, 브랜드, 숫자

프롬프트 가이드 및 실전 팁

반환되는 것

오디오 보내기

언어와 숫자

핵심 용어와 군말

여러 채널

과금

콘텐츠

API 빠른 시작

관련 모델과 다음 단계

25개 언어 음성 전사, 숫자도 이름도 채널도 원하는 대로

Grok STT API의 강점

숫자를 사람이 적는 방식 그대로

목록에 적은 철자대로 나오는 이름

통화의 한쪽이 아니라 양쪽 모두

음, 어는 남기거나 지우거나

필터 없는 발화도 말한 그대로

긴 녹음도 오래 기다리지 않습니다

Grok STT 이런 분께 맞습니다

가지고 있는 녹음에서 자막과 쇼 노트 만들기

녹음된 통화를 화자별로 나눠 보관하기

수치와 이름이 정확한 기록

소재를 거절하지 않는 전사 단계

Grok STT API 호출 방법

audio_url은 오디오 자체를 가리키게 하세요

녹음에 대해 아는 것을 더하세요

Idempotency-Key와 함께 보내고 작업을 기다리세요

텍스트를 읽고 내 저장소에도 보관하세요

Grok STT 실제 예시

좌우에 다른 화자가 있는 스테레오 통화

사전에 없는 철자의 이름

숫자가 아라비아 숫자로 나오는 예약 확인