Grok veröffentlicht Voice Transcribe 2.0 mit doppelter Genauigkeit
Neues Speech-to-Text-Modell von Grok übertrifft Vorgänger und belegt Spitzenplatz im Genauigkeits-Ranking.
Grok hat am Freitag die nächste Generation seines Speech-to-Text-Modells vorgestellt. Voice Transcribe 2.0 liefert bei unverändertem Preisniveau eine doppelt so hohe Genauigkeit wie sein Vorgänger. Das gab das Unternehmen in einer aktuellen Mitteilung bekannt.
Das neue Modell belegt auf der öffentlichen Artificial-Analysis-Leaderboard unter 32 Streaming-Modellen den ersten Platz in puncto Genauigkeit. Es baut auf dem Audio-Foundation-Modell auf, das auch Grok Voice antreibt. Dieses System verarbeitet derzeit täglich Zehntausende von Kundenanrufen und transkribiert Millionen Stunden von Video-Narrationen.
Die Technologie kommt zudem in physischen Produkten zum Einsatz, darunter als Sprachassistent in Tesla-Fahrzeugen (Nasdaq:TSLA). Voice Transcribe 2.0 zeigt deutliche Verbesserungen bei der Verarbeitung realer Audiobedingungen – etwa bei schlechten Telefonverbindungen, mehreren Sprechern, regionalen Akzenten sowie beim Diktieren von Zugangsdaten.
Deutliche Fortschritte bei der Fehlerquote
Das Unternehmen testete das Modell gegen sieben Wettbewerber in vier Kategorien: Telefonaudio aus Kundenanrufen, Gespräche mit Grok, diktierbare Zugangsdaten sowie kurze mehrsprachige Sprachbefehle. Die Ergebnisse sind beeindruckend.
In Telefontests mit 8-kHz-Audio erreichte das neue Modell eine Wortfehlerquote von 7,1 Prozent, verglichen mit 10,6 Prozent bei der vorherigen Version. Bei konversationellem Audio sank die Fehlerquote sogar von 8,7 Prozent auf 3,3 Prozent. Die Anzahl der Fehler beim Transkribieren von Zugangsdaten wie Telefonnummern und E-Mail-Adressen ging von 7,2 Prozent auf 3,2 Prozent zurück.
Das Modell unterstützt Dutzende von Sprachen mit automatischer Erkennung und kann Sprachwechsel während der Aufnahme nachvollziehen. Bei kurzen Phrasen in 19 Sprachen verringerte sich die Wortfehlerquote von 20,6 Prozent auf 6,8 Prozent – eine massive Verbesserung.
Atlassian Loom als erster prominenter Kunde
Atlassian Loom hat das neue Modell bereits zur Transkribierung aller seiner Videoaufzeichnungen übernommen. „Wir waren stets der Überzeugung, dass der beste Weg, die Arbeit voranzubringen, darin besteht, Kontext einmal festzuhalten und ihn überall fließen zu lassen“, sagte Sanchan Saxena, Senior Vice President der Teamwork Collection bei Atlassian.
Die Preise bleiben unverändert gegenüber der ersten Version: Die Batch-Transkription kostet 0,10 US-Dollar pro Stunde Audio, die Streaming-Variante 0,20 US-Dollar pro Stunde. Der Service umfasst Speaker-Diarisierung, Zeitstempel auf Wortebene und Key-Term-Biasing ohne zusätzliche Kosten.
Das Modell wird in den kommenden Wochen zur Standardoption in der Speech-to-Text-API von Grok. Für Unternehmen und Entwickler, die auf präzise Spracherkennung angewiesen sind, dürfte dies ein bedeutender Schritt nach vorne sein – insbesondere angesichts der unveränderten Preisstruktur bei deutlich gesteigerter Leistungsfähigkeit.