SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 es un modelo de voz a texto de xAI. Se sitúa en la categoría de transcripción, y su función es estrecha y clara: recibe audio y devuelve una transcripción. No es un modelo general de chat ni de razonamiento, por lo que debes tratarlo como un componente dedicado dentro de un pipeline en lugar de algo con lo que mantener una conversación. La fecha de lanzamiento del proveedor es 2026-07-23.

El modelo acepta audio como su modalidad de entrada y produce una transcripción como salida. Según la descripción del proveedor, admite transcripción con marcas de tiempo a nivel de palabra, diarización de hablantes opcional y audio multicanal. Las marcas de tiempo a nivel de palabra te permiten alinear el texto con puntos específicos de la grabación, lo cual importa cuando necesitas sincronizar subtítulos, saltar a un momento de una llamada o resaltar una frase en un reproductor. La diarización de hablantes es opcional, así que puedes activarla cuando necesites saber quién dijo qué y dejarla desactivada cuando una transcripción plana única sea suficiente. La compatibilidad con audio multicanal significa que las grabaciones con más de un canal pueden manejarse en lugar de mezclarse a ciegas. No se indica ninguna longitud de contexto para este modelo, y el bloque de detalles reporta una salida máxima de 0, por lo que aquí no hay una cifra significativa de ventana de tokens con la que planificar. La lista de parámetros admitidos está vacía.

Los usos prácticos se derivan directamente de esas capacidades. La transcripción de reuniones y llamadas es la más obvia, y con la diarización activada obtienes una transcripción que distingue a los participantes, que es lo que quieres para notas, resúmenes o registros de cumplimiento. Las marcas de tiempo a nivel de palabra son adecuadas para la generación de subtítulos y leyendas, archivos multimedia consultables y cualquier interfaz en la que un usuario haga clic en una línea de texto y espere que la reproducción salte a ese momento exacto. El audio multicanal es útil para grabaciones capturadas desde fuentes separadas, como un micrófono de sala y una señal de línea, o para configuraciones de centros de contacto donde cada lado de la conversación llega por su propio canal. Como la salida es una transcripción en lugar de prosa generada, también encaja limpiamente en pasos posteriores: primero transcribes, luego envías el texto a otro lugar para resumirlo, traducirlo o indexarlo.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "x-ai/grok-stt-1.0". El proveedor expone el modelo a través de un endpoint REST /v1/stt, por lo que la solicitud es una llamada de transcripción de audio en lugar de una finalización de chat. Envía tu audio y lee la transcripción de la respuesta. La lista de parámetros admitidos para este modelo está vacía, así que no asumas que puedes pasar los ajustes habituales de muestreo o generación; las características que importan aquí, marcas de tiempo a nivel de palabra, diarización de hablantes y manejo multicanal, se describen como parte del comportamiento de transcripción del modelo en lugar de como parámetros de solicitud ajustables en los datos proporcionados.

Hay poco en los hechos enumerados que te oriente hacia otra parte, pero vale la pena señalar el alcance. Este es un modelo solo de transcripción: audio de entrada, transcripción de salida. Si tu tarea es generación de texto, razonamiento o cualquier cosa que no sea voz a texto, un modelo diferente es la elección correcta. Si necesitas una ventana de contexto documentada o un presupuesto de tokens de salida para dimensionar una solicitud, aquí no se da ninguno, así que verifica contra el endpoint en vivo antes de incorporar suposiciones en tu integración.