SpaceXAI: Grok STT 1.0

SpaceXAI: Grok STT 1.0, xAI tarafından geliştirilen bir konuşmadan metne dönüştürme modelidir. Transkripsiyon kategorisinde yer alır ve görevi dar ve nettir: ses girdisini alıp transkripsiyon çıktısı döndürmek. Genel amaçlı bir sohbet veya akıl yürütme modeli değildir, bu nedenle onu konuştuğunuz bir şey olarak değil, bir iş akışında özel bir bileşen olarak ele almalısınız. Sağlayıcı sürüm tarihi 2026-07-23.

Model girdi modalitesi olarak sesi kabul eder ve çıktı olarak transkripsiyon üretir. Sağlayıcı açıklamasına göre kelime düzeyinde zaman damgaları ile transkripsiyon, isteğe bağlı konuşmacı ayrıştırma ve çok kanallı ses desteği sunar. Kelime düzeyinde zaman damgaları, metni kayıttaki belirli noktalara geri hizalamanıza olanak tanır; bu, altyazıları senkronize etmeniz, bir görüşmede belirli bir ana atlamanız veya bir oynatıcıda bir ifadeyi vurgulamanız gerektiğinde önemlidir. Konuşmacı ayrıştırma isteğe bağlıdır, kimin ne söylediğini bilmeniz gerektiğinde açabilir, tek düz bir transkript yeterli olduğunda kapalı bırakabilirsiniz. Çok kanallı ses desteği, birden fazla kanalı olan kayıtların körlemesine tek kanala indirilmeden işlenebilmesi anlamına gelir. Bu model için bağlam uzunluğu listelenmemiştir ve ayrıntılar bloğu maksimum çıktı olarak 0 bildirir, dolayısıyla burada planlama yapabileceğiniz anlamlı bir token penceresi değeri yoktur. Desteklenen parametreler listesi boştur.

Pratik kullanımlar doğrudan bu yeteneklerden doğar. Toplantı ve görüşme transkripsiyonu en belirgin olanıdır ve konuşmacı ayrıştırma etkinleştirildiğinde katılımcıları ayırt eden bir transkript elde edersiniz; notlar, özetler veya uyumluluk kayıtları için istediğiniz şey budur. Kelime düzeyinde zaman damgaları altyazı ve başlık üretimi, aranabilir medya arşivleri ve kullanıcının bir metin satırına tıklayıp oynatmanın tam o ana atlamasını beklediği her tür arayüz için uygundur. Çok kanallı ses, bir oda mikrofonu ve bir hat beslemesi gibi ayrı kaynaklardan alınan kayıtlar veya görüşmenin her tarafının kendi kanalında geldiği çağrı merkezi kurulumları için kullanışlıdır. Çıktı, üretilmiş düzyazı değil bir transkripsiyon olduğu için alt adımlara da temiz biçimde oturur: önce transkripsiyon yaparsınız, sonra metni özetleme, çeviri veya dizinleme için başka bir yere gönderirsiniz.

Modeli api14'ün OpenAI uyumlu API'si üzerinden "x-ai/grok-stt-1.0" model kimliğini kullanarak çağırırsınız. Sağlayıcı modeli REST /v1/stt uç noktası üzerinden sunar, dolayısıyla istek bir sohbet tamamlama çağrısı değil, bir ses transkripsiyon çağrısıdır. Sesinizi gönderin ve transkripsiyonu yanıttan okuyun. Bu model için desteklenen parametreler listesi boştur, bu nedenle olağan örnekleme veya üretim ayarlarını geçirebileceğinizi varsaymayın; burada önemli olan özellikler, kelime düzeyinde zaman damgaları, konuşmacı ayrıştırma ve çok kanallı işleme, sağlanan verilerde ayarlanabilir istek parametreleri olarak değil, modelin transkripsiyon davranışının bir parçası olarak tanımlanmıştır.

Listelenen olgular içinde sizi başka yöne yönlendirecek çok az şey vardır, ancak kapsamı belirtmek gerekir. Bu yalnızca transkripsiyon amaçlı bir modeldir: ses girer, transkripsiyon çıkar. Göreviniz metin üretimi, akıl yürütme veya konuşmadan metne dönüştürme dışında bir şeyse, farklı bir model doğru seçimdir. Bir isteği boyutlandırmak için belgelenmiş bir bağlam penceresine veya çıktı token bütçesine ihtiyacınız varsa, burada hiçbiri verilmemiştir, bu nedenle entegrasyonunuza varsayımlar yerleştirmeden önce canlı uç noktaya karşı doğrulama yapın.