SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 è un modello speech-to-text di xAI. Si colloca nella categoria trascrizione, e il suo compito è ristretto e chiaro: riceve audio in ingresso e restituisce una trascrizione in uscita. Non è un modello generico di chat o di ragionamento, quindi va trattato come un componente dedicato all'interno di una pipeline, non come qualcosa con cui conversare. La data di rilascio del provider è 2026-07-23.

Il modello accetta audio come modalità di input e produce una trascrizione come output. Secondo la descrizione del provider, supporta la trascrizione con timestamp a livello di parola, la diarizzazione opzionale degli speaker e l'audio multicanale. I timestamp a livello di parola permettono di allineare il testo a punti specifici della registrazione, il che è importante quando devi sincronizzare sottotitoli, saltare a un momento preciso di una chiamata o evidenziare una frase in un player. La diarizzazione degli speaker è opzionale, quindi puoi attivarla quando ti serve sapere chi ha detto cosa e lasciarla disattivata quando è sufficiente una trascrizione piatta. Il supporto per l'audio multicanale significa che le registrazioni con più di un canale possono essere gestite invece di essere downmixate alla cieca. Per questo modello non è indicata alcuna lunghezza di contesto, e il blocco dei dettagli riporta un output massimo di 0, quindi qui non c'è una cifra significativa di finestra di token su cui pianificare. L'elenco dei parametri supportati è vuoto.

Gli usi pratici derivano direttamente da queste capacità. La trascrizione di riunioni e chiamate è quello più ovvio, e con la diarizzazione attiva ottieni una trascrizione che distingue i partecipanti, che è ciò che vuoi per note, riassunti o registrazioni di conformità. I timestamp a livello di parola si adattano alla generazione di sottotitoli e didascalie, agli archivi multimediali ricercabili e a qualsiasi interfaccia in cui un utente clicca una riga di testo e si aspetta che la riproduzione salti a quel momento esatto. L'audio multicanale è utile per registrazioni catturate da sorgenti separate, come un microfono ambientale e un feed di linea, o per configurazioni di contact center in cui ciascun lato della conversazione arriva sul proprio canale. Poiché l'output è una trascrizione e non prosa generata, si inserisce anche in modo pulito nelle fasi successive: prima trascrivi, poi invii il testo altrove per riassunto, traduzione o indicizzazione.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando il model id "x-ai/grok-stt-1.0". Il provider espone il modello tramite un endpoint REST /v1/stt, quindi la richiesta è una chiamata di trascrizione audio, non un completamento di chat. Invia il tuo audio e leggi la trascrizione dalla risposta. L'elenco dei parametri supportati per questo modello è vuoto, quindi non dare per scontato di poter passare i soliti parametri di campionamento o generazione; le funzionalità che contano qui, timestamp a livello di parola, diarizzazione degli speaker e gestione multicanale, sono descritte come parte del comportamento di trascrizione del modello, non come parametri di richiesta regolabili nei dati forniti.

C'è poco nei fatti elencati che ti indirizzi altrove, ma vale la pena notare l'ambito. Questo è un modello solo per la trascrizione: audio in ingresso, trascrizione in uscita. Se il tuo compito è la generazione di testo, il ragionamento o qualsiasi cosa che non sia speech-to-text, un modello diverso è la scelta giusta. Se ti serve una finestra di contesto documentata o un budget di token di output per dimensionare una richiesta, qui non ne viene fornito nessuno, quindi verifica sull'endpoint live prima di inserire assunzioni nella tua integrazione.