SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0 är en tal-till-text-modell från xAI. Den tillhör kategorin transkribering, och dess uppgift är snäv och tydlig: ta emot ljud och returnera en transkribering. Den är inte en allmän chatt- eller resonemangsmodell, så du bör behandla den som en dedikerad komponent i en pipeline snarare än något du för en konversation med. Leverantörens utgivningsdatum är 2026-07-23.

Modellen tar emot ljud som sin indatamodalitet och producerar en transkribering som sin utdata. Enligt leverantörens beskrivning stöder den transkribering med tidsstämplar på ordnivå, valfri talardiarisering och flerkanaligt ljud. Tidsstämplar på ordnivå låter dig matcha text tillbaka till specifika punkter i inspelningen, vilket spelar roll när du behöver synka undertexter, hoppa till ett ögonblick i ett samtal eller markera en fras i en spelare. Talardiarisering är valfritt, så du kan slå på det när du behöver veta vem som sade vad och låta det vara av när en enda platt transkription räcker. Stöd för flerkanaligt ljud innebär att inspelningar med mer än en kanal kan hanteras i stället för att blindmixas ned. Ingen kontextlängd anges för denna modell, och detaljblocket rapporterar en maxutdata på 0, så det finns ingen meningsfull tokenfönstersiffra att planera kring här. Listan över stödda parametrar är tom.

De praktiska användningsområdena följer direkt av dessa funktioner. Transkribering av möten och samtal är det uppenbara, och med diarisering aktiverad får du en transkription som skiljer deltagare åt, vilket är vad du vill ha för anteckningar, sammanfattningar eller efterlevnadsregister. Tidsstämplar på ordnivå passar för generering av undertexter och bildtexter, sökbara mediearkiv och alla gränssnitt där en användare klickar på en textrad och förväntar sig att uppspelningen ska hoppa till exakt det ögonblicket. Flerkanaligt ljud är användbart för inspelningar som fångats från separata källor, såsom en rumsmikrofon och en linjeingång, eller för kontaktcenteruppsättningar där varje sida av samtalet kommer in på sin egen kanal. Eftersom utdata är en transkribering snarare än genererad prosa passar den också rent in i nedströmssteg: du transkriberar först och skickar sedan texten någon annanstans för sammanfattning, översättning eller indexering.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "x-ai/grok-stt-1.0". Leverantören exponerar modellen via en REST /v1/stt-slutpunkt, så begäran är ett anrop för ljudtranskribering snarare än en chattkomplettering. Skicka ditt ljud och läs transkriberingen från svaret. Listan över stödda parametrar för denna modell är tom, så anta inte att du kan skicka de vanliga sampling- eller genereringsrattarna; funktionerna som spelar roll här, tidsstämplar på ordnivå, talardiarisering och flerkanalig hantering, beskrivs som en del av modellens transkriberingsbeteende snarare än som justerbara begärandeparametrar i data som tillhandahålls.

Det finns lite i de listade fakta som styr dig någon annanstans, men omfattningen är värd att notera. Detta är en modell endast för transkribering: ljud in, transkribering ut. Om din uppgift är textgenerering, resonemang eller något som inte är tal-till-text, är en annan modell rätt val. Om du behöver ett dokumenterat kontextfönster eller en utdatatokenbudget för att dimensionera en begäran, ges ingen här, så verifiera mot den live-slutpunkten innan du bygger in antaganden i din integration.