SpaceXAI、音声認識が2倍高精度に

SpaceXAIは、最新の音声認識（STT）モデルであるGrok Voice Transcribe 2.0をリリースしました。開発チームは、Grok Voice Transcribe 1.0と同じ価格で2倍の精度があると主張しています。このモデルは、ノイズの多い電話回線、複数の声が混ざる状況、地域の方言、口頭での認証情報など、難しい音声をターゲットとしています。Speech to Text APIを通じて、バッチモードとリアルタイムストリーミングモードで動作します。展開可能か？はい、ホスト型APIとして利用可能です。本日より、モデルID grok-voice-transcribe-2.0で稼働しています。SpaceXAIはオープンウェイトを発表していないため、セルフホスティングは選択肢にありません。Grok Voice Transcribe 2.0とは何か？Grok Voice Transcribe 2.0は、Grok Voiceの背後にあるオーディオ基盤モデルに基づいて構築されています。SpaceXAIチームは、Grok Voiceがすでに1日に数万件の顧客サポートコールを処理していると述べています。また、何百万時間ものビデオナレーションを文字起こしし、Tesla車両でGrokアシスタントを動かしています。トレーニングデータは、多様な環境で録音されたライブのノイズの多い多言語オーディオです。その後、SpaceXAIはポストトレーニングでモデルを改良しました。ベンチマーク：SpaceXAIが報告するものSpaceXAIは、公開されているArtificial Analysisリーダーボードの32のストリーミングモデルの中で、精度で1位を獲得したと報告しています。このベンチマーク、AA-WER Streamingは、約8時間のオーディオを使用しています。AA-AgentTalkに50%、VoxPopuliに25%、Earnings22に25%の重み付けをしています。詳細は方法論を参照してください。SpaceXAIはまた、本番トラフィックから抽出された4つの内部セットで単語誤り率（WER）を測定しています。Telephony（8 kHz）：英語の顧客サポートコール。Conversational：Grokとの英語の会話。Credentials：英語の電話番号、メールアドレス、住所。Short phrases：19言語での音声アシスタントの発話。バージョン2.0は、これら4つのセットすべてで1.0を上回っています。電話対応では、SpaceXAIは同社がテストしたすべてのモデルをリードしていると述べています。これらの内部結果はベンダー報告であり、独立して再現されたものではありません。多言語文字起こしと言語切り替えこのモデルは何十もの言語を文字起こしし、言語を自動的に検出します。また、