SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 é um modelo de fala para texto da xAI. Ele está na categoria de transcrição, e seu trabalho é restrito e claro: receber áudio e retornar uma transcrição. Não é um modelo de chat geral ou de raciocínio, então você deve tratá-lo como um componente dedicado em um pipeline, e não como algo com o qual se conversa. A data de lançamento pelo provedor é 2026-07-23.

O modelo aceita áudio como sua modalidade de entrada e produz uma transcrição como saída. De acordo com a descrição do provedor, ele suporta transcrição com timestamps em nível de palavra, diarização de falantes opcional e áudio multicanal. Timestamps em nível de palavra permitem alinhar o texto de volta a pontos específicos da gravação, o que importa quando você precisa sincronizar legendas, saltar para um momento em uma chamada ou destacar uma frase em um player. A diarização de falantes é opcional, então você pode ativá-la quando precisar saber quem disse o quê e deixá-la desligada quando uma transcrição única e contínua for suficiente. O suporte a áudio multicanal significa que gravações com mais de um canal podem ser tratadas em vez de serem mixadas às cegas. Nenhum comprimento de contexto é listado para este modelo, e o bloco de detalhes reporta uma saída máxima de 0, então não há um número significativo de janela de tokens para planejar aqui. A lista de parâmetros suportados está vazia.

Os usos práticos decorrem diretamente dessas capacidades. A transcrição de reuniões e chamadas é o caso óbvio, e com a diarização ativada você obtém uma transcrição que distingue os participantes, que é o que você quer para notas, resumos ou registros de conformidade. Timestamps em nível de palavra servem para geração de legendas e subtítulos, arquivos de mídia pesquisáveis e qualquer interface em que um usuário clica em uma linha de texto e espera que a reprodução avance para aquele momento exato. Áudio multicanal é útil para gravações capturadas de fontes separadas, como um microfone de ambiente e um feed de linha, ou para configurações de contact center em que cada lado da conversa chega em seu próprio canal. Como a saída é uma transcrição e não prosa gerada, ela também se encaixa bem em etapas posteriores: você transcreve primeiro e depois envia o texto para outro lugar para sumarização, tradução ou indexação.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "x-ai/grok-stt-1.0". O provedor expõe o modelo através de um endpoint REST /v1/stt, então a requisição é uma chamada de transcrição de áudio e não uma conclusão de chat. Envie seu áudio e leia a transcrição da resposta. A lista de parâmetros suportados para este modelo está vazia, então não presuma que você pode passar os controles usuais de amostragem ou geração; os recursos que importam aqui, timestamps em nível de palavra, diarização de falantes e tratamento multicanal, são descritos como parte do comportamento de transcrição do modelo e não como parâmetros de requisição ajustáveis nos dados fornecidos.

Há pouco nos fatos listados para direcioná-lo a outro lugar, mas o escopo vale a pena notar. Este é um modelo somente de transcrição: áudio entra, transcrição sai. Se sua tarefa é geração de texto, raciocínio ou qualquer coisa que não seja fala para texto, um modelo diferente é a escolha certa. Se você precisa de uma janela de contexto documentada ou de um orçamento de tokens de saída para dimensionar uma requisição, nada é fornecido aqui, então verifique no endpoint ativo antes de incorporar suposições à sua integração.