SpaceXAI: Grok STT 1.0

SpaceXAI : Grok STT 1.0 est un modèle de reconnaissance vocale de xAI. Il appartient à la catégorie transcription, et son rôle est étroit et clair : prendre de l'audio en entrée et renvoyer une transcription en sortie. Ce n'est pas un modèle de chat ou de raisonnement général, donc vous devez le traiter comme un composant dédié dans un pipeline plutôt que comme quelque chose avec lequel vous conversez. La date de publication par le fournisseur est le 2026-07-23.

Le modèle accepte l'audio comme modalité d'entrée et produit une transcription en sortie. Selon la description du fournisseur, il prend en charge la transcription avec des horodatages au niveau du mot, la diarisation des locuteurs en option, et l'audio multicanal. Les horodatages au niveau du mot vous permettent d'aligner le texte sur des points précis de l'enregistrement, ce qui compte lorsque vous devez synchroniser des sous-titres, sauter à un moment dans un appel, ou mettre en évidence une phrase dans un lecteur. La diarisation des locuteurs est optionnelle, donc vous pouvez l'activer lorsque vous avez besoin de savoir qui a dit quoi et la désactiver lorsqu'une simple transcription à plat suffit. La prise en charge de l'audio multicanal signifie que les enregistrements comportant plus d'un canal peuvent être traités plutôt que mixés à l'aveugle. Aucune longueur de contexte n'est indiquée pour ce modèle, et le bloc de détails rapporte une sortie maximale de 0, donc il n'y a pas de chiffre significatif de fenêtre de tokens sur lequel planifier ici. La liste des paramètres pris en charge est vide.

Les usages pratiques découlent directement de ces capacités. La transcription de réunions et d'appels est l'évidence, et avec la diarisation activée vous obtenez une transcription qui distingue les participants, ce que vous voulez pour des notes, des résumés ou des enregistrements de conformité. Les horodatages au niveau du mot conviennent à la génération de sous-titres et de légendes, aux archives médiatiques interrogeables, et à toute interface où un utilisateur clique sur une ligne de texte et s'attend à ce que la lecture se positionne à ce moment exact. L'audio multicanal est utile pour les enregistrements captés depuis des sources séparées, comme un micro d'ambiance et un flux en ligne, ou pour les configurations de centre de contact où chaque côté de la conversation arrive sur son propre canal. Comme la sortie est une transcription plutôt que de la prose générée, elle s'intègre aussi proprement dans les étapes en aval : vous transcrivez d'abord, puis vous envoyez le texte ailleurs pour le résumé, la traduction ou l'indexation.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "x-ai/grok-stt-1.0". Le fournisseur expose le modèle via un endpoint REST /v1/stt, donc la requête est un appel de transcription audio plutôt qu'une complétion de chat. Envoyez votre audio et lisez la transcription dans la réponse. La liste des paramètres pris en charge pour ce modèle est vide, donc ne supposez pas pouvoir passer les réglages habituels d'échantillonnage ou de génération ; les fonctionnalités qui comptent ici, les horodatages au niveau du mot, la diarisation des locuteurs et la gestion multicanal, sont décrites comme faisant partie du comportement de transcription du modèle plutôt que comme des paramètres de requête ajustables dans les données fournies.

Il y a peu d'éléments dans les faits listés pour vous orienter ailleurs, mais la portée mérite d'être notée. C'est un modèle de transcription uniquement : audio en entrée, transcription en sortie. Si votre tâche est la génération de texte, le raisonnement, ou toute autre chose qui n'est pas de la reconnaissance vocale, un autre modèle est le bon choix. Si vous avez besoin d'une fenêtre de contexte documentée ou d'un budget de tokens de sortie pour dimensionner une requête, aucun n'est donné ici, donc vérifiez auprès de l'endpoint en direct avant d'intégrer des hypothèses dans votre intégration.