Transcripción de voz por lotes con xAI Grok Voice Transcribe 2.0, marcas de tiempo por palabra, diarización de hablantes y detección automática de idioma.
37 idiomas · evaluado
Grok Voice Transcribe 2.0 es un modelo de transcripción de voz a texto de xAI. En nuestras pruebas estandarizadas alcanza una tasa de error de palabra de 9.95%, ocupando el puesto n.º 7 de 40 modelos evaluados. Admite 37 idiomas y cuesta 0,002 US$/min para audio por lotes — más económico que la mayoría de alternativas comparables.
Su alternativa evaluada más cercana es MAI-Transcribe-2 (preview). Ideal para conversaciones con varios interlocutores, cargas de trabajo multilingües, trabajo donde la precisión es crítica y flujos de alto volumen y sensibles al coste.
Puntuación General
88.1
#7 de 40
Tasa de Error de Palabras
9.95%
Tasa de Error de Caracteres
7.49%
Tasa de Error de Coincidencia
9.57%
Información de Palabras Perdida
14.23%
Latencia Promedio
1.2s
Benchmarks Ejecutados
35
WER general · 40 modelos
Grok Voice Transcribe 2.0
grupo · 39 modelos
abajo a la izquierda es mejor
8 categorías
WER
menor es mejor
Legal
1.8%
Técnico
2.6%
Médico
4.5%
Conversacional
6.9%
Finanzas
7.2%
General
10.2%
Ambiente Ruidoso
17.9%
Cambio de Código
18.4%
| Categoría | WER | CER | MER | WIL | Latencia | Evaluaciones |
|---|---|---|---|---|---|---|
Cambio de Código | 18.38% | 12.11% | 17.90% | 23.28% | 1.6s | 2 |
Conversacional | 6.85% | 3.49% | 6.69% | 9.48% | 1.3s | 2 |
Finanzas | 7.21% | 4.15% | 7.16% | 12.14% | 1.5s | 2 |
General | 10.19% | 7.81% | 9.99% | 15.47% | 1.1s | 19 |
Legal | 1.85% | 1.18% | 1.82% | 2.51% | 1.3s | 2 |
Médico | 4.53% | 2.33% | 4.45% | 6.46% | 1.6s | 2 |
Ambiente Ruidoso | 17.92% | 16.06% | 15.95% | 22.34% | 878ms | 4 |
Técnico | 2.63% | 1.61% | 2.63% | 3.55% | 1.4s | 2 |
5 acentos
| Acento | WER | Evaluaciones |
|---|---|---|
Africano | 29.23% | 1 |
Australiano | 33.85% | 1 |
Indio | 34.92% | 1 |
Británico | 8.96% | 1 |
Estadounidense | 24.53% | 1 |
Tarifa · Lote · un idioma
$0.0017
/min
Facturación por segundo. Usa tu propia clave de proveedor y paga directamente al proveedor — se aplica una tarifa de enrutamiento del 5% (primeros 100 min/mes gratis).
Configurar BYOKEstimador de costo
1 hora
$0.10
10 horas
$1.01
100 horas
$10.08
1000 horas
$100.80
Estimado para audio por lotes en un idioma. Facturado por segundo.
ID del modelo
xai/grok-voice-transcribe-2.0
Autentica cada solicitud con tu clave API secreta como token Bearer. Genera una clave desde tu panel.
Úsalo con tu agente
Pega esto en Claude Code, Cursor, Codex o cualquier agente con terminal. Instala la CLI y la skill de OpenTranscription, y transcribe con este modelo.
Inicio rápido
Sube tu audio, crea un trabajo con este modelo y luego consulta el trabajo o define un webhook_url para recibir el aviso al completarse.
Parámetros clave
file_path
string
obligatorio
Ruta de almacenamiento devuelta por el paso de subida.
model
string
obligatorio
El modelo con el que se ejecuta este trabajo.
models
string[]
Cadena ordenada de respaldo: primero el principal y luego los alternativos, en orden, si un proveedor falla.
language
string
Código de idioma ISO 639-1. Omítelo para la detección automática.
diarization
boolean
Etiqueta a los hablantes (A, B, …) en el resultado.
word_timestamps
boolean
Inicio, fin y confianza por palabra. Por defecto es true; envía false para omitirlos.
custom_words
string[]
Nombres, jerga y términos de producto para orientar al modelo. Hasta 1000 entradas.
vocabulary_list_id
uuid
Una lista de vocabulario guardada en tu espacio de trabajo. Se combina con custom_words si envías ambos.
webhook_url
string
URL HTTPS que recibe el resultado al completarse el trabajo. Los eventos entregados están firmados (X-OT-Signature).
title
string
Nombre visible de este trabajo en el panel. Si falta, se usa el nombre del archivo.
Respuesta
Un trabajo completado devuelve la transcripción en el Esquema Unificado de OpenTranscription (OTUS).
Webhooks — sin sondeo
Enviamos un evento firmado a tu webhook_url cuando un trabajo se completa o falla; verifica la cabecera X-OT-Signature (HMAC-SHA256, rechaza si tiene más de 300 s) y desduplicado por el id del evento, luego obtén la transcripción completa con GET /api/v1/transcriptions/{id}.
Límite por nivel — consulta los encabezados de respuesta X-RateLimit-*.
Referencia completa de la APIDisponibilidad · 30d
100.00%
Tasa de error
0.00%
Latencia media
5.6s
Último incidente
Ninguno en 30d
del mismo grupo
mismo benchmark, todos los emparejamientos
Idiomas Soportados
Formatos Soportados
Características
Límites
Tamaño máx. de archivo
100 MB
Duración máx.
Sin límite documentado