Grok STT обзор: расшифровка без меток говорящих
Один аудиофайл на запрос, от 1 секунды до 2 часов.
Распознавание речи Grok от xAI, общедоступное с апреля 2026 года: отправьте URL аудио и получите расшифровку текстом. 25 языков с автоопределением, отдельная расшифровка по каналам, подсказки ключевых терминов и числа, записанные цифрами. Тарификация за секунду аудио, а SpicyAPI не добавляет никакого фильтра контента.
- Lydia
- Проверено 30 сент. 2026 г.
- Обновлено 7 окт. 2026 г.
Наш вывод
Новые платные образцы для статьи не создавались. Опубликованный пример показывает конкретные вход и выход, а не контролируемое сравнение моделей. Иллюстрация статьи — редакционная работа, а не результат теста обсуждаемой модели.
Что понравилось и что мешало
Что понравилось
- Проверка синтезированной речи. Прогоните результат синтеза речи обратно через модель и сравните расшифровку со сценарием: пропущенные слова, обрезанный конец или зачитанный вслух тег видны сразу.
- Имена, бренды и числа. Ключевые термины позволяют указать необычные имена, а нормализация управляет записью чисел и дат. Сверьте расшифровку с записью: ни один из параметров не гарантирует правильное распознавание.
Что мешало
- Один аудиофайл на запрос, от 1 секунды до 2 часов. Пословные метки времени и определённый язык возвращаются в структурированной расшифровке, а метки говорящих — нет, и говорящие на одном канале не различаются. Сырой звук без заголовка (PCM, μ-law, A-law) не принимается — отправляйте файл в контейнере вроде MP3, WAV, M4A, FLAC или OGG.
Что подтверждают данные
Существующая диагностика от 30 сентября 2026 года использовала шесть клипов LibriSpeech test-clean, шесть говорящих, 53,6 секунды английской речи по тексту и 146 эталонных слов. Grok STT показала 1.37% ошибок слов: замен — 2, пропусков — 0, вставок — 0. Методика расшифровки описывает нормализацию и область измерения. Здесь повторно используются документированные результаты без нового запроса.
Маленькая выборка коротких чистых записей не подтверждает точность на совещаниях, перекрывающейся речи, шуме, других языках или пении. Доля ошибок слов не оценивает пунктуацию, оформление и назначение говорящих. Учитывайте это при выборе для субтитров, поискового архива и итоговой расшифровки.
Как подготовить первый запрос
Используйте файл, который имеете право обрабатывать. Сверьте начало, конец, одно имя и сложный фрагмент с записью. Отмечайте непроверяемые слова как неопределённые, вместо того чтобы считать текст безусловно верным. Страница модели описывает допустимый вход.
Начните с фрагмента, от которого зависит приёмка: имени, сложного числа или предложения со сменой эмоции. Сверьте результат с оригиналом до самого конца. Зафиксируйте вход и меняйте по одной настройке. Приятный голос ещё не доказывает, что сохранены все слова.
Перед отправкой проверьте текущую оценку стоимости на странице задачи. Оплату за символ, секунду и запрос нельзя сравнивать только по начальной цене. Возьмите одинаковый фрагмент или запись и учтите необходимое преобразование и выравнивание.
Как выбрать альтернативу
Сначала выбирайте недостающую возможность. Альтернатива должна устранять конкретное препятствие: выбор голоса, более длинный сценарий, режиссуру или подходящий вид расшифровки. Нового названия недостаточно. На текущих страницах указаны задачи и единицы оплаты.
Что Grok STT умеет на SpicyAPI
Взято напрямую из актуальной спецификации модели на SpicyAPI. Некоторые разработчики дают больше в своих приложениях; здесь — то, что можно вызвать через наш API уже сегодня.
| Функция | Речь в текст |
|---|---|
| Управление seed | Нет |
| Негативный промпт | Нет |
Что вы думаете?
Был ли этот обзор полезен?
Войдите, чтобы проголосовать.
Комментарии
Комментарии проверяются автоматически и нашей командой. Мы удаляем спам, неуместный контент, личные нападки и всё, где без согласия называют реального человека. Пожалуйтесь на комментарий — мы рассмотрим жалобу в течение одного рабочего дня.
Пробовали эту модель? Поделитесь тем, что сработало. Чтобы комментировать, нужен бесплатный аккаунт — так мы защищаемся от спама.
Вопросы о Grok STT
Попробуйте Grok STT сами
Настройте каждый параметр в Playground и узнайте точную цену до запуска.
Другие обзоры
Смотреть рейтинги →
HeartMuLa Transcribe
Текст песни без временных меток, оценок уверенности и меток говорящих.
Проверено 30 сент. 2026 г.
Читать обзор
Gemini 3.8 Flash-Lite TTS
Один или два голоса на запрос: до 5000 символов сценария для одного голоса или до 20 реплик диалога по 250 символов для двух.
Без практического теста · каталог проверен 7 окт. 2026 г.
Читать обзор
Gemini 3.8 Flash TTS
Один или два голоса на запрос: до 5000 символов сценария для одного голоса или до 20 реплик диалога по 250 символов для двух.
Без практического теста · каталог проверен 7 окт. 2026 г.
Читать обзор