SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 ist ein Speech-to-Text-Modell von xAI. Es gehört zur Kategorie Transkription, und seine Aufgabe ist eng und klar: Audio entgegennehmen und eine Transkription zurückgeben. Es ist kein allgemeines Chat- oder Reasoning-Modell, daher sollten Sie es als dedizierte Komponente in einer Pipeline behandeln und nicht als etwas, mit dem Sie eine Konversation führen. Das Veröffentlichungsdatum des Anbieters ist der 23.07.2026.

Das Modell akzeptiert Audio als Eingabemodalität und erzeugt eine Transkription als Ausgabe. Laut Anbieterbeschreibung unterstützt es Transkription mit Zeitstempeln auf Wortebene, optionale Sprecherdiarisierung und Mehrkanal-Audio. Zeitstempel auf Wortebene ermöglichen es Ihnen, Text auf bestimmte Punkte in der Aufnahme zurückzuführen, was wichtig ist, wenn Sie Untertitel synchronisieren, zu einem Moment in einem Anruf springen oder eine Phrase in einem Player hervorheben müssen. Die Sprecherdiarisierung ist optional, sodass Sie sie einschalten können, wenn Sie wissen müssen, wer was gesagt hat, und sie ausschalten können, wenn eine einzelne flache Transkription ausreicht. Die Unterstützung für Mehrkanal-Audio bedeutet, dass Aufnahmen mit mehr als einem Kanal verarbeitet werden können, statt blind heruntergemischt zu werden. Für dieses Modell ist keine Kontextlänge angegeben, und der Detailblock meldet eine maximale Ausgabe von 0, es gibt hier also keine aussagekräftige Token-Fenster-Zahl, an der Sie planen könnten. Die Liste der unterstützten Parameter ist leer.

Die praktischen Anwendungen ergeben sich direkt aus diesen Fähigkeiten. Meeting- und Anruftranskription ist die offensichtliche, und mit aktivierter Diarisierung erhalten Sie eine Transkription, die Teilnehmer unterscheidet, was Sie für Notizen, Zusammenfassungen oder Compliance-Aufzeichnungen wollen. Zeitstempel auf Wortebene eignen sich für Untertitel- und Caption-Generierung, durchsuchbare Medienarchive und jede Oberfläche, in der ein Benutzer auf eine Textzeile klickt und erwartet, dass die Wiedergabe zu genau diesem Moment springt. Mehrkanal-Audio ist nützlich für Aufnahmen, die aus separaten Quellen erfasst wurden, etwa einem Raum-Mikrofon und einem Line-Feed, oder für Contact-Center-Setups, bei denen jede Seite des Gesprächs auf ihrem eigenen Kanal eintrifft. Da die Ausgabe eine Transkription und keine generierte Prosa ist, passt sie auch sauber in nachgelagerte Schritte: Sie transkribieren zuerst und senden den Text dann woandershin zur Zusammenfassung, Übersetzung oder Indexierung.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "x-ai/grok-stt-1.0" auf. Der Anbieter stellt das Modell über einen REST /v1/stt-Endpunkt bereit, die Anfrage ist also ein Audio-Transkriptionsaufruf und keine Chat-Completion. Senden Sie Ihr Audio und lesen Sie die Transkription aus der Antwort. Die Liste der unterstützten Parameter für dieses Modell ist leer, gehen Sie also nicht davon aus, dass Sie die üblichen Sampling- oder Generierungsregler übergeben können; die Funktionen, die hier zählen, Zeitstempel auf Wortebene, Sprecherdiarisierung und Mehrkanal-Verarbeitung, werden als Teil des Transkriptionsverhaltens des Modells beschrieben und nicht als abstimmbare Anfrageparameter in den bereitgestellten Daten.

Es gibt wenig in den aufgeführten Fakten, das Sie woandershin lenken würde, aber der Umfang ist erwähnenswert. Dies ist ein reines Transkriptionsmodell: Audio hinein, Transkription hinaus. Wenn Ihre Aufgabe Textgenerierung, Reasoning oder irgendetwas ist, das nicht Speech-to-Text ist, ist ein anderes Modell die richtige Wahl. Wenn Sie ein dokumentiertes Kontextfenster oder ein Ausgabe-Token-Budget benötigen, um eine Anfrage zu dimensionieren, ist hier keines angegeben, prüfen Sie also den Live-Endpunkt, bevor Sie Annahmen in Ihre Integration einbauen.