SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 هو نموذج تحويل الكلام إلى نص من xAI. يقع في فئة النسخ، ومهمته ضيقة وواضحة: يستقبل الصوت ويعيد نصا مكتوبا. وهو ليس نموذجا عاما للمحادثة أو الاستدلال، لذا ينبغي التعامل معه كمكوّن مخصص في مسار معالجة بدلا من كونه شيئا تجري معه محادثة. تاريخ إصدار المزوّد هو 2026-07-23.

يقبل النموذج الصوت كوسيط إدخال وينتج نصا مكتوبا كمخرج. وفقا لوصف المزوّد، يدعم النسخ مع طوابع زمنية على مستوى الكلمة، وتحديد المتحدثين اختياريا، وصوتا متعدد القنوات. تتيح لك الطوابع الزمنية على مستوى الكلمة محاذاة النص مع نقاط محددة في التسجيل، وهذا مهم عندما تحتاج إلى مزامنة الترجمة، أو الانتقال إلى لحظة في مكالمة، أو إبراز عبارة في مشغّل. تحديد المتحدثين اختياري، فيمكنك تفعيله عندما تحتاج إلى معرفة من قال ماذا، وتركه معطلا عندما يكفي نص مسطّح واحد. يعني دعم الصوت متعدد القنوات أن التسجيلات التي تحتوي على أكثر من قناة يمكن التعامل معها بدلا من خلطها بشكل أعمى. لا يوجد طول سياق مذكور لهذا النموذج، وتشير كتلة التفاصيل إلى حد أقصى للمخرج قدره 0، لذا لا يوجد رقم ذو معنى لنافذة الرموز للتخطيط بناء عليه هنا. قائمة المعاملات المدعومة فارغة.

تتبع الاستخدامات العملية مباشرة من تلك القدرات. نسخ الاجتماعات والمكالمات هو الاستخدام الواضح، وعند تفعيل تحديد المتحدثين تحصل على نص يميّز المشاركين، وهو ما تريده للملاحظات أو الملخصات أو سجلات الامتثال. تناسب الطوابع الزمنية على مستوى الكلمة توليد الترجمات والتعليقات، والأرشيفات الإعلامية القابلة للبحث، وأي واجهة ينقر فيها المستخدم على سطر نصي ويتوقع أن ينتقل التشغيل إلى تلك اللحظة بالتحديد. الصوت متعدد القنوات مفيد للتسجيلات الملتقطة من مصادر منفصلة، مثل ميكروفون غرفة وتغذية سلكية، أو لإعدادات مراكز الاتصال حيث يصل كل طرف من أطراف المحادثة على قناته الخاصة. ولأن المخرج نص مكتوب وليس نصا إنشائيا مولّدا، فإنه يندمج بسلاسة أيضا في الخطوات اللاحقة: تنسخ أولا، ثم ترسل النص إلى مكان آخر للتلخيص أو الترجمة أو الفهرسة.

تستدعيه عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرّف النموذج "x-ai/grok-stt-1.0". يوفّر المزوّد النموذج عبر نقطة نهاية REST ‏/v1/stt، لذا فإن الطلب هو استدعاء لنسخ الصوت وليس إكمال محادثة. أرسل الصوت واقرأ النص من الاستجابة. قائمة المعاملات المدعومة لهذا النموذج فارغة، لذا لا تفترض أنك تستطيع تمرير مقابض أخذ العينات أو التوليد المعتادة؛ الميزات المهمة هنا، وهي الطوابع الزمنية على مستوى الكلمة وتحديد المتحدثين والتعامل مع القنوات المتعددة، موصوفة كجزء من سلوك النموذج في النسخ وليس كمعاملات طلب قابلة للضبط في البيانات المقدمة.

لا يوجد الكثير في الحقائق المدرجة ليجعلك تتجه إلى مكان آخر، لكن النطاق جدير بالملاحظة. هذا نموذج مخصص للنسخ فقط: صوت يدخل، ونص يخرج. إذا كانت مهمتك توليد نص أو استدلالا أو أي شيء ليس تحويل الكلام إلى نص، فإن نموذجا مختلفا هو الخيار الصحيح. وإذا كنت تحتاج إلى نافذة سياق موثقة أو ميزانية رموز للمخرج لتحديد حجم الطلب، فلا شيء من ذلك معطى هنا، لذا تحقق من نقطة النهاية الحية قبل أن تبني افتراضات في عملية التكامل.