xAI 正式开放了两个独立的音频API：Grok Speech to Text (STT) 和 Grok Text to Speech (TTS)。它们基于支撑 Grok Voice、特斯拉车载系统和 Starlink 客服的同一套音频技术栈。
Grok Speech to Text (STT) 功能
- 两种模式：REST API（用于批量转录大文件）和 WebSocket API（面向实时语音流）。
- 核心能力：提供词级时间戳、说话人分离、多通道识别，以及将口语数字、日期等自动转换为规范文本。
- 语言支持：覆盖超过25种语言，支持对话中无缝切换。
性能与定价
- 词错率对比：据xAI测试，Grok STT在整体场景词错率（WER）为6.9%，在电话通话实体识别等场景表现优势更明显。
- 定价：
- STT批处理：0.10美元/小时
- STT流式处理：0.20美元/小时
- TTS：4.20美元/100万字符
Grok Text to Speech (TTS) 功能
TTS支持通过内联语音标签（如 [laugh]、[whisper]）来控制语音的情感与韵律，使合成语音更自然生动。
