OpenTranscription
OpenTranscription
RankerModelosPlayground
OpenTranscription
OpenTranscription

Una API para cada modelo de voz a texto que vale la pena. Compáralos con tu audio, enruta al mejor, paga por segundo.

Estado de la plataforma

Producto

ClasificadorModelosTranscripcionesPlaygroundBlog

Desarrolladores

DocumentaciónConfiabilidadVersionado APIEstado

Legal

Política de PrivacidadTérminos de ServicioSoporte
© 2026 OpenTranscription
Volver a Modelos$0.0017/minPor lotes

Grok Voice Transcribe 2.0

xAI

Por lotes

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.

Transcribir con este modeloComparar en el playground

37 idiomas · evaluado

Acerca de Grok Voice Transcribe 2.0

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

Costo vs. precisión

WER general · 40 modelos

Grok Voice Transcribe 2.0

grupo · 39 modelos

abajo a la izquierda es mejor

Rendimiento por categoría

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%

CategoríaWERCERMERWILLatenciaEvaluaciones

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

Rendimiento por acento

5 acentos

AcentoWEREvaluaciones

Africano

29.23%

1

Australiano

33.85%

1

Indio

34.92%

1

Británico

8.96%

1

Estadounidense

24.53%

1

Precios

pago por segundo

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 BYOK

Estimador 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.

API y uso

POST /api/v1/transcriptions

ID del modelo

xai/grok-voice-transcribe-2.0

Obtener una clave API

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.

Transcribe an audio file for me with OpenTranscription, using the model xai/grok-voice-transcribe-2.0.
Set it up first:
npm install -g @opentranscription/cli
ot login
npx skills add opentranscription/skills
Then run:
ot transcribe <my-file> --model xai/grok-voice-transcribe-2.0
Ask me one question at a time, and give me options to pick from rather than open questions. Look for audio files here before asking which one I mean. Leave the language alone unless I tell you what it is, since the model detects it.
This model can also label speakers with --diarize, and take a vocabulary of names and jargon with --vocab "Kubernetes,Sanjay". Offer those one at a time, and only if I have not already said.
The login step opens my browser and waits for me to approve it, so stop and tell me when you reach it. The skill covers the rest.
Skill para agentesSDK de TypeScriptSDK de PythonCLI en npm

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.

// npm install @opentranscription/sdk
import { readFile } from 'node:fs/promises';
import { OpenTranscription } from '@opentranscription/sdk';
const ot = new OpenTranscription({ apiKey: process.env.OT_API_KEY! });
// Uploads the audio and opens the job. The signed-URL round trip is inside.
const job = await ot.transcribe({
file: await readFile('interview.mp3'),
fileName: 'interview.mp3',
model: 'xai/grok-voice-transcribe-2.0',
language: 'ar',
diarization: true,
customWords: ['Kubernetes', 'Grafana', 'Sanjay Bhattacharya'],
webhookUrl: 'https://your-app.com/webhooks/ot',
});
// We POST a signed event to that URL when the job finishes: no polling required.

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).

{
"id": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
"status": "completed",
"transcript": {
"text": "Welcome to the meeting, everyone.",
"language": "en",
"confidence": 0.97,
"segments": [
{
"id": 0,
"start": 0,
"end": 3.5,
"text": "Welcome to the meeting, everyone.",
"speaker": "A"
}
],
"word_timestamps": "available",
"words": [
{
"text": "Welcome",
"start": 0,
"end": 0.42,
"confidence": 0.99
}
]
}
}

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}.

import { createHmac, timingSafeEqual } from "node:crypto";
// Your signing secret from Settings → API keys.
const SECRET = process.env.OT_WEBHOOK_SECRET ?? "";
function verify(
rawBody: string,
header: string,
nowSeconds = Math.floor(Date.now() / 1000),
): boolean {
const segments = header.split(",");
// Exactly one t= segment, finite, within the replay window.
const tValues = segments.filter((s) => s.startsWith("t=")).map((s) => s.slice(2));
if (tValues.length !== 1) return false;
const t = Number(tValues[0]);
if (!Number.isFinite(t) || Math.abs(nowSeconds - t) > 300) return false;
const expected = createHmac("sha256", SECRET)
.update(`${t}.${rawBody}`)
.digest("hex");
// Header may carry multiple v1 sigs (key rotation). Match any.
return segments
.filter((s) => s.startsWith("v1="))
.some((s) => {
const got = Buffer.from(s.slice(3), "hex");
const exp = Buffer.from(expected, "hex");
return got.length === exp.length && timingSafeEqual(got, exp);
});
}
// Express example. Use the RAW body buffer, not the parsed JSON.
// The X-OT-Signature header carries t=<unix>,v1=<hmac-hex>.
app.post("/webhooks/ot", express.raw({ type: "application/json" }), (req, res) => {
const sig = req.headers["x-ot-signature"] as string;
if (!verify(req.body.toString(), sig)) {
return res.sendStatus(400);
}
const event = JSON.parse(req.body.toString());
// Dedupe on event.id (at-least-once delivery), then enqueue + return 2xx fast.
res.sendStatus(200);
});
Obtén tu clave de firma

Límite por nivel — consulta los encabezados de respuesta X-RateLimit-*.

Referencia completa de la API

Fiabilidad

últimos 30 días

Disponibilidad · 30d

100.00%

Tasa de error

0.00%

Latencia media

5.6s

Último incidente

Ninguno en 30d

Modelos similares

del mismo grupo

Más preciso

MAI-Transcribe-2 (preview)

Microsoft Azure

7.77% WER

$0.0017/min

Comparar →

Más barato

Whisper Large V3 Turbo

Cloudflare

12.90% WER

$0.0005/min

Comparar →

Comparar Grok Voice Transcribe 2.0 con…

mismo benchmark, todos los emparejamientos

vs MAI-Transcribe-2 (preview)vs Soniox STT (Async)vs Chirp 3vs Speechmatics Enhancedvs Whisper Large V3 Turbo (Cloudflare)vs Whisper Large V3 Turbo (Groq)vs Azure Speechvs Scribe v2vs GPT Transcribevs Gladia Solaria-3vs Gemini 3.5 Transcribevs Voxtral Mini Transcribevs Qwen3 ASR Flashvs Amazon Transcribevs GPT-4o Mini Transcribe

Idiomas Soportados

ÁrabeBosnioBúlgaroCatalánChinoCroataChecoDanésNeerlandésInglésTagaloFinlandésFrancésAlemánGriegoHindiHúngaroIndonesioItalianoJaponésCoreanoMacedonioMalayoNoruegoPersaPolacoPortuguésRumanoRusoEslovacoEspañolSuecoTailandésTurcoUcranianoUrduVietnamita

Formatos Soportados

mp3wavflacm4amp4oggwebm

Características

Detección automáticaDiarizaciónMarcas de tiempo por palabra+1

Límites

Tamaño máx. de archivo

100 MB

Duración máx.

Sin límite documentado