Quem faz o Grok STT e quando foi lançado?

Quem faz é a xAI, e ele foi lançado em 15 de abril de 2026. No SpicyAPI, é uma família com um único endpoint: uma tarefa, fala para texto, chamada como xai/grok-stt/speech-to-text. Ele recebe a URL de um áudio e devolve texto, então nada é gravado no armazenamento de mídia.

Ele consegue distinguir os falantes?

Não pela voz: os rótulos de falante não são devolvidos. Se cada falante foi gravado em seu próprio canal, como em muitas gravações de ligações, ative multichannel e cada canal volta em sua própria linha. Sem a opção, um arquivo estéreo com um falante diferente em cada lado perdeu um deles nos nossos dois testes.

Por que é reservado mais do que é cobrado?

A duração do áudio só é conhecida depois de lida, então, ao criar a tarefa, reserva-se o preço do máximo de duas horas. Você paga pelos segundos de áudio reais, e o resto da reserva é liberado quando a tarefa termina. Nenhuma opção muda o preço, e uma requisição que falha não é cobrada.

Por que a text_normalization precisa de um idioma?

Números, moedas e datas são escritos de forma diferente em cada idioma, então o modelo precisa saber qual convenção seguir. Sem language, a requisição é rejeitada antes de rodar. Se você não precisa de algarismos, deixe language vazio e o idioma é detectado para você.

Devo usar este modelo ou o HeartMuLa Transcribe?

Depende do que há no áudio. Se você transcreve pessoas falando (ligações, reuniões, entrevistas, conteúdo falado) e quer tempos por palavra, uma linha por canal ou uma lista de nomes que saiam certos, use o Grok STT. Se você extrai a letra de músicas prontas, dê uma olhada no HeartMuLa Transcribe, voltado para vozes cantadas.

API Grok STT — fala para texto, transcrições sem filtro

xai/grok-stt/speech-to-text

O Grok STT é o speech-to-text da xAI: envie a URL de um áudio e receba a transcrição em texto, com tempos por palavra e o idioma detectado. Cobre 25 idiomas, com transcrição por canal e dicas de termos-chave.

A partir de $0.00003/s

Executar modelo Ver API

Entrada

Fala para texto

Áudio de entrada1/1

Solte um arquivo de áudio aqui ou procure no computador · 1 arquivo · Máx. 90 MB · MP4 · MP3 · WAV

Idioma

Normalizar texto

Termos-chave0/100

Manter palavras de preenchimento

Transcrever canais separadamente

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução

O resultado aparecerá aqui.

Configure as entradas, confira a estimativa de preço e execute o modelo.

{
  "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"
  }
}

Introdução

Envie uma URL de áudio e, se quiser, o idioma falado, uma lista de termos-chave e três chaves: números com algarismos, palavras de preenchimento e transcrição por canal. A tarefa devolve a transcrição como texto, mais uma transcrição estruturada com tempos por palavra, o idioma detectado e a duração do áudio; nenhum arquivo é gerado. O SpicyAPI não aplica nenhum filtro de conteúdo: a fala sem filtro é transcrita como foi falada. A cobrança é por segundo de áudio.

Especificações de Grok STT · Speech to Text
Campo	Valor
Entrada	Áudio
Saída	Texto
Campo obrigatório	`audio_url` — um arquivo enviado ou uma URL pública de áudio, de 1 segundo a 2 horas
Campos opcionais	language (25 códigos), `text_normalization`, keyterms (até 100), `filler_words`, multichannel
Resultado	Transcrição em texto, mais output.transcript com tempos por palavra, idioma e duração; por canal com multichannel
Quantidade cobrada	Segundos de áudio; um arquivo enviado é reservado pela duração, uma URL pelo máximo de duas horas
Tempo típico	Cerca de 3 segundos para um clipe de 10 segundos, cerca de 15 segundos para uma hora
Retenção	O áudio enviado é excluído depois de um dia; a transcrição é apagada com os dados do prompt

Parâmetros da requisição

Parâmetros da requisição de Grok STT · Speech to Text
Parâmetro	Obrigatório	Descrição
`audio_url`	Sim	O áudio a transcrever: um MP3 ou WAV enviado, ou uma URL pública para MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 ou MKV. De 1 segundo a 2 horas. pelo menos 1 caracteres
`language`	Não	O idioma falado como código de idioma. Deixe vazio para detectar o idioma automaticamente; a fala em qualquer idioma compatível é transcrita nos dois casos. `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`	Não	Quando ativado, números, preços, datas e unidades falados são escritos com algarismos — "$1,250" e "March 14" em vez das palavras. Precisa de language. Valor padrão: `false`
`keyterms`	Não	Até 100 palavras ou expressões curtas (50 caracteres cada) que a transcrição deve favorecer — nomes, marcas, jargão. Não altera o preço. Valor padrão: `[]` no máximo 100 itens
`filler_words`	Não	Quando ativado, palavras de preenchimento como um e uh ficam na transcrição; desativado (padrão), elas são removidas. Não altera o preço. Valor padrão: `false`
`multichannel`	Não	Quando ativado, cada canal de um arquivo multicanal (até 8) é transcrito separadamente e volta na própria linha, na ordem dos canais. Valor padrão: `false`

Preços

$0.00003 / segundo de áudio

Cobrança por segundo de áudio. Ao criar a tarefa, é reservado o preço da duração real de um áudio enviado, ou o do máximo de duas horas para uma URL de áudio; você paga a duração real e o restante é liberado. Uma solicitação que falha não é cobrada.

Casos de uso

Notas de voz e histórias em áudio

A fala sem filtro é transcrita como foi falada, então mensagens de voz, gravações de roleplay e histórias em áudio podem ser pesquisadas, legendadas ou editadas como texto.

Gravações de chamadas

Gravações com cada lado no próprio canal voltam como uma linha por lado quando multichannel está ativado. Sem ele, nossos testes devolveram só um dos dois lados, então ative-o em chamadas com canais separados.

Conferir fala gerada

Passe um resultado de texto para fala de volta pelo modelo e compare a transcrição com o roteiro: palavras puladas, um final cortado ou uma tag lida em voz alta aparecem na hora.

Nomes, marcas e números

Liste nomes incomuns como termos-chave e ative a normalização de texto: a transcrição escreve os nomes do seu jeito e os preços e datas como $1,250 ou March 14.

Ver tutoriais dos principais casos de uso

Guia de prompt e dicas práticas

Aponte audio_url para o áudio

Envie um MP3 ou WAV, ou passe uma URL pública que responda com o próprio áudio — uma página de player ou link de compartilhamento que devolve HTML falha. De 1 segundo a 2 horas.
Adicione o que você sabe

Defina language se souber o idioma, liste nomes e marcas em keyterms e ative text_normalization se quiser os números com algarismos. text_normalization precisa de language.
Leia o texto na tarefa

A transcrição chega como texto no resultado da tarefa, e output.transcript lista cada palavra com seu tempo de início e fim. Com multichannel, há uma linha por canal, na ordem dos canais. Copie para o seu próprio armazenamento se for precisar dela depois.

O que volta

A transcrição como texto no resultado da tarefa, mais output.transcript: o idioma detectado e seu código, a duração do áudio em segundos e cada palavra com seu tempo de início e fim em segundos. Com multichannel, output.transcript.channels traz o mesmo para cada canal. Nenhum arquivo é gerado e nada entra no armazenamento de mídia. Rótulos de locutor não vêm no resultado.

Enviar o áudio

audio_url aceita um MP3 ou WAV enviado, ou uma URL pública para MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 ou MKV, de 1 segundo a 2 horas. A URL precisa responder com o próprio áudio. Áudio bruto sem cabeçalho de arquivo (PCM, μ-law, A-law) não é aceito.

Idioma e números

Se language ficar vazio, o idioma é detectado; a fala em qualquer um dos 25 idiomas compatíveis é transcrita nos dois casos. Defina-o e ative text_normalization para ter números, preços, datas e unidades na forma escrita — no nosso teste, "one thousand two hundred fifty dollars on March fourteenth" virou "$1,250 on March 14". text_normalization precisa de language.

Termos-chave e palavras de preenchimento

keyterms aceita até 100 termos de até 50 caracteres, um por linha. No nosso teste, "Xandrelle" e "Qorvessa" voltaram como "Xandrel" e "Corvessa" sem eles e exatamente certos com eles. filler_words mantém um e uh, que são removidos por padrão.

Vários canais

Ative multichannel em gravações com cada pessoa no próprio canal. Cada canal é transcrito separadamente e volta na própria linha, na ordem dos canais. Deixe desativado só quando todos os canais carregam o mesmo som: nos nossos testes, um arquivo estéreo com uma pessoa diferente em cada lado voltou sem uma das duas.

Cobrança

Conteúdo

A SpicyAPI não adiciona filtro de conteúdo. Em nossos testes, a fala sem filtro voltou palavra por palavra, sem asteriscos, bipes ou lacunas.

O SpicyAPI não adiciona filtro de conteúdo: a fala é transcrita como foi falada, em vez de mascarada ou recusada. Você é responsável pelos direitos sobre o áudio que envia e pelo consentimento das pessoas gravadas.

Início rápido da 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"

Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Fala para texto em 25 idiomas, com números, nomes e canais do jeito que você quer

O Grok STT, da xAI, recebe a URL de um áudio e devolve o que foi dito como texto na tarefa, junto com uma transcrição estruturada em que cada palavra tem seu tempo. Deixe o idioma vazio e ele é detectado; informe-o e os números podem ser escritos com algarismos. Liste os nomes que importam e eles voltam escritos do seu jeito, e ative multichannel para que cada canal de uma ligação tenha sua própria linha. Nada é gravado no armazenamento de mídia, e você paga só pelos segundos de áudio que realmente enviar.

Abrir o playground

Entrada: audio_url: um MP3 ou WAV enviado, ou uma URL pública para um formato comum de áudio ou vídeo
Duração: De 1 segundo a 2 horas por requisição
Idiomas: 25 idiomas falados; detecção automática se language ficar vazio
Saída: Texto da transcrição, mais uma transcrição com tempo por palavra; uma entrada por canal com multichannel
Cobrança: Por segundo de áudio; nenhuma opção muda o preço
Retenção: Nenhum arquivo de mídia é gravado; o áudio enviado é excluído após 1 dia

Idiomas: 25 idiomas falados, detectados ou informadosDeixe language vazio e o idioma é detectado; a fala em qualquer um dos 25 idiomas compatíveis é transcrita de qualquer forma. Informe-o quando quiser usar text_normalization: ela escreve os números como aquele idioma os escreve e por isso precisa saber qual é.
Estrutura: O texto na tarefa e, ao lado, uma transcrição com temposO resultado traz a transcrição completa como texto. Ao lado, output.transcript lista o idioma detectado, a duração do áudio em segundos e cada palavra com seu tempo de início e de fim; com multichannel, o mesmo vale para cada canal. Nenhum arquivo é gerado. Os rótulos de falante não fazem parte do resultado.
Canais: Uma linha por canal quando as vozes foram gravadas separadasCom multichannel, cada canal do arquivo (até 8) é transcrito separadamente e devolvido em sua própria linha, na ordem dos canais. É a configuração que mais passa despercebida: nos nossos testes, um arquivo estéreo com um falante diferente em cada lado voltava com apenas um deles quando estava desativada.

O que a API do Grok STT faz bem

Números escritos como as pessoas escrevem
Com text_normalization, valores, preços, datas e unidades falados voltam em algarismos. No nosso teste, “one thousand two hundred fifty dollars on March fourteenth” virou “$1,250 on March 14”. Ela exige language, porque cada idioma escreve isso de um jeito; sem ele, a requisição é rejeitada antes de rodar. Desativada por padrão.
Nomes escritos como você listou
keyterms aceita até 100 palavras ou frases curtas de até 50 caracteres, uma por linha, e puxa a transcrição na direção delas. Dois nomes inventados em um aviso de sala VIP voltaram como “Xandrel” e “Corvessa” sem a lista, e exatamente certos com ela. Use para convidados, marcas, nomes de produtos e jargão.
Os dois lados de uma ligação, não só um
Uma gravação com o atendente no canal esquerdo e o cliente no direito precisa de multichannel. Cada lado volta em sua própria linha, e output.transcript.channels traz os tempos das palavras de cada canal. Sem a opção, nossos testes em estéreo devolviam apenas um dos dois falantes; o outro lado simplesmente não aparecia.
Os “é”, “hum” e “tipo”, mantidos ou limpos
As palavras de preenchimento são removidas por padrão, o que dá legendas e anotações limpas. Ative filler_words para um registro literal: no nosso teste, a transcrição começou com “Um, so, uh,” exatamente como foi falado. Nenhuma das duas configurações muda o preço.
A fala sem filtro volta como foi dita
O SpicyAPI não adiciona nenhum filtro de conteúdo. Nos nossos testes, gravações do nosso monólogo e dos nossos textos narrativos mais fortes voltaram palavra por palavra, sem asteriscos, bipes ou lacunas. Assim, busca, legendas e revisão continuam funcionando sobre o mesmo material em que o resto do seu produto se baseia. Os direitos sobre o áudio e o consentimento das pessoas gravadas continuam com você.
Gravações longas sem longa espera
Uma requisição aceita de 1 segundo a 2 horas de áudio. Nas nossas execuções, um clipe de 10 segundos voltou em cerca de 3 segundos e uma hora inteira em cerca de 15. Ao enviar, uma tarefa é devolvida na hora, e a transcrição é lida dessa tarefa quando ela termina.

Para quem é o Grok STT

Podcasters e editores de vídeo
Legendas e notas do episódio a partir da gravação que você já tem
Cada palavra chega com tempo de início e de fim, então as linhas de legenda podem ser cortadas no tamanho que o seu player pede. Coloque nomes de convidados e marcas em keyterms para que sejam escritos uma vez e certos, e deixe filler_words desativado para um texto que se lê limpo.
Equipes de suporte e vendas
Ligações gravadas com cada lado separado
As ligações costumam ser gravadas com uma pessoa por canal. Com multichannel, o atendente e o cliente voltam em linhas separadas, que é o que uma revisão, um resumo ou uma busca na ligação precisam. Não há rótulos de falante: uma gravação com todos misturados em um único canal devolve um só fluxo de texto.
Anotações de reuniões e entrevistas
Anotações em que números e nomes estão certos
Informe language e ative text_normalization, e valores, datas e quantidades chegam como algarismos em vez de palavras por extenso. Adicione os participantes e os nomes de produtos em keyterms e eles deixam de mudar de grafia de uma reunião para outra.
Criadores e plataformas de áudio sem filtro
Uma etapa de transcrição que não recusa o material
Dramas em áudio, gravações de roleplay e catálogos de audiolivros sem filtro são transcritos como foram falados, então busca, legendas e revisão funcionam na biblioteca inteira em vez de deixar uma seção sem texto. A responsabilidade pelo material de origem e pelo consentimento das pessoas que aparecem nele continua com quem chama a API.

Como chamar a API do Grok STT

Aponte audio_url para o próprio áudio
Envie um MP3 ou WAV, ou passe uma URL pública que responda com os bytes do áudio. MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 e MKV funcionam, de 1 segundo a 2 horas. Uma página de player ou um link de compartilhamento que devolva HTML falha, e áudio bruto sem cabeçalho de arquivo (PCM, μ-law, A-law) não é aceito.
Acrescente o que você sabe sobre a gravação
Informe language se você souber o idioma, liste nomes e palavras de marca em keyterms e ative text_normalization para obter algarismos (ela exige language). Se as vozes foram gravadas em canais separados, ative multichannel; se quiser manter os “hum” e “é”, ative filler_words.
Envie com uma Idempotency-Key e espere a tarefa
Ao enviar, uma tarefa é devolvida. Mande uma Idempotency-Key para que uma nova tentativa depois de uma conexão interrompida caia na mesma tarefa em vez de criar uma segunda, e então consulte a tarefa ou receba o callback que você registrou.
Leia o texto e guarde sua própria cópia
A transcrição chega como texto no resultado da tarefa, e output.transcript guarda os tempos por palavra, o idioma detectado e a duração do áudio. Nada é gravado no armazenamento de mídia, e a transcrição é apagada junto com os dados do prompt, então copie-a para o seu próprio armazenamento quando a tarefa terminar.

Grok STT: exemplos práticos

Uma ligação estéreo com um falante em cada lado
Uma gravação de 12 segundos com uma mulher no canal esquerdo e um homem no direito, enviada com multichannel. Cada lado voltou em sua própria linha. Com multichannel desativado, o mesmo arquivo devolveu só as palavras da mulher.
```
{"audio_url": "https://files.example.com/calls/support-call-0412.wav", "multichannel": true}
```
Nomes sem grafia de dicionário
Um aviso de sala VIP com dois nomes inventados, enviado com os dois como termos-chave. Sem a lista, o mesmo áudio voltou como “Xandrel” e “Corvessa”; com ela, os nomes saíram exatamente como listados.
```
{"audio_url": "https://files.example.com/announcements/lounge-announcement.mp3", "keyterms": [{"term": "Xandrelle"}, {"term": "Qorvessa"}]}
```
Uma confirmação de reserva com os números em algarismos
Uma confirmação falada, enviada com o idioma informado e text_normalization ativada. O preço e a data voltaram como “$1,250” e “March 14” em vez de palavras.
```
{"audio_url": "https://files.example.com/calls/booking-confirmation.mp3", "language": "en", "text_normalization": true}
```

API do Grok STT: perguntas frequentes

Boa parte da qualidade vem do que você conta antes de rodar. Informe o idioma quando souber, liste os nomes que não podem variar e ative multichannel assim que uma gravação mantiver os falantes em canais separados: essa única configuração decide se metade de uma conversa some. Se for fazer legendas, leia a transcrição com tempos, não só o texto. O preço acompanha apenas os segundos de áudio, então teste primeiro com um clipe curto e veja a cotação ao vivo na página.

Playground

Entrada

Saída

Introdução

Parâmetros da requisição

Preços

Casos de uso

Notas de voz e histórias em áudio

Gravações de chamadas

Conferir fala gerada

Nomes, marcas e números

Guia de prompt e dicas práticas

O que volta

Enviar o áudio

Idioma e números

Termos-chave e palavras de preenchimento

Vários canais

Cobrança

Conteúdo

Início rápido da API

Modelos relacionados e próximas tarefas

Fala para texto em 25 idiomas, com números, nomes e canais do jeito que você quer

O que a API do Grok STT faz bem

Números escritos como as pessoas escrevem

Nomes escritos como você listou

Os dois lados de uma ligação, não só um

Os “é”, “hum” e “tipo”, mantidos ou limpos

A fala sem filtro volta como foi dita

Gravações longas sem longa espera

Para quem é o Grok STT

Legendas e notas do episódio a partir da gravação que você já tem

Ligações gravadas com cada lado separado

Anotações em que números e nomes estão certos

Uma etapa de transcrição que não recusa o material

Como chamar a API do Grok STT

Aponte audio_url para o próprio áudio

Acrescente o que você sabe sobre a gravação

Envie com uma Idempotency-Key e espere a tarefa

Leia o texto e guarde sua própria cópia

Grok STT: exemplos práticos

Uma ligação estéreo com um falante em cada lado

Nomes sem grafia de dicionário

Uma confirmação de reserva com os números em algarismos

API do Grok STT: perguntas frequentes

Quem faz o Grok STT e quando foi lançado?

Ele consegue distinguir os falantes?

Por que é reservado mais do que é cobrado?

Por que a text_normalization precisa de um idioma?

Devo usar este modelo ou o HeartMuLa Transcribe?

Todos os modelos Grok6

Modelos de áudio2

Modelos de texto4

Comparações relacionadas