SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 adalah model speech-to-text dari xAI. Model ini berada di kategori transkripsi, dan tugasnya sempit serta jelas: menerima audio dan mengembalikan transkripsi. Ini bukan model chat atau reasoning umum, jadi perlakukan ini sebagai komponen khusus dalam pipeline, bukan sesuatu yang Anda ajak bicara. Tanggal rilis penyedia adalah 2026-07-23.

Model ini menerima audio sebagai modalitas input dan menghasilkan transkripsi sebagai output. Menurut deskripsi penyedia, model ini mendukung transkripsi dengan timestamp tingkat kata, diarisasi pembicara opsional, dan audio multikanal. Timestamp tingkat kata memungkinkan Anda menyelaraskan teks kembali ke titik tertentu dalam rekaman, yang penting ketika Anda perlu menyinkronkan subtitle, melompat ke momen tertentu dalam panggilan, atau menyorot frasa di pemutar. Diarisasi pembicara bersifat opsional, jadi Anda dapat mengaktifkannya ketika perlu mengetahui siapa mengatakan apa dan membiarkannya nonaktif ketika transkrip datar tunggal sudah cukup. Dukungan audio multikanal berarti rekaman dengan lebih dari satu kanal dapat ditangani, bukan dicampur ke bawah secara buta. Tidak ada panjang konteks yang dicantumkan untuk model ini, dan blok detail melaporkan output maksimum 0, jadi tidak ada angka jendela token yang berarti untuk dijadikan acuan perencanaan di sini. Daftar parameter yang didukung kosong.

Kegunaan praktisnya mengikuti langsung dari kemampuan tersebut. Transkripsi rapat dan panggilan adalah penggunaan yang paling jelas, dan dengan diarisasi aktif Anda mendapatkan transkrip yang membedakan peserta, yang Anda inginkan untuk catatan, ringkasan, atau rekaman kepatuhan. Timestamp tingkat kata cocok untuk pembuatan subtitle dan caption, arsip media yang dapat dicari, dan antarmuka apa pun tempat pengguna mengklik baris teks dan mengharapkan pemutaran melompat ke momen tepat tersebut. Audio multikanal berguna untuk rekaman yang diambil dari sumber terpisah, seperti mic ruangan dan line feed, atau untuk penyiapan contact center tempat setiap sisi percakapan datang pada kanalnya sendiri. Karena outputnya adalah transkripsi, bukan prosa yang dihasilkan, ini juga cocok masuk ke langkah hilir: Anda mentranskripsi terlebih dahulu, lalu mengirim teks ke tempat lain untuk peringkasan, penerjemahan, atau pengindeksan.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "x-ai/grok-stt-1.0". Penyedia mengekspos model ini melalui endpoint REST /v1/stt, jadi permintaannya adalah panggilan transkripsi audio, bukan chat completion. Kirim audio Anda dan baca transkripsi dari respons. Daftar parameter yang didukung untuk model ini kosong, jadi jangan berasumsi Anda dapat memberikan knob sampling atau generasi yang biasa; fitur yang penting di sini, timestamp tingkat kata, diarisasi pembicara, dan penanganan multikanal, dijelaskan sebagai bagian dari perilaku transkripsi model, bukan sebagai parameter permintaan yang dapat disetel dalam data yang diberikan.

Tidak banyak fakta yang tercantum untuk mengarahkan Anda ke tempat lain, tetapi cakupannya perlu diperhatikan. Ini adalah model khusus transkripsi: audio masuk, transkripsi keluar. Jika tugas Anda adalah generasi teks, reasoning, atau apa pun yang bukan speech-to-text, model lain adalah pilihan yang tepat. Jika Anda memerlukan jendela konteks atau anggaran token output yang terdokumentasi untuk menentukan ukuran permintaan, tidak ada yang diberikan di sini, jadi verifikasi terhadap endpoint langsung sebelum Anda membangun asumsi ke dalam integrasi Anda.