โมเดลนี้ทำอะไรได้
- รับเสียงเข้ามาแล้วได้ข้อความออกไป มีทั้งโหมดส่งทั้งก้อนทีเดียวกับโหมดถอดสดขณะพูด
- รองรับหลายสิบภาษารวมภาษาไทย ตรวจภาษาอัตโนมัติ สลับภาษากลางทางได้ (docs ของ xAI)
- ปักเวลาระดับคำ แยกให้รู้ว่าประโยคไหนใครพูด จัดข้อความให้เรียบร้อย ตัดคำไส้ออกได้
- กำหนดคำสำคัญให้ถอดตรงได้ถึง 100 คำ รับเสียงได้ถึง 8 ช่อง
ตัวเลขที่บริษัทประกาศ
- แม่นราวสองเท่าของ Grok Voice Transcribe 1.0 ที่ราคาเดิม (xAI 18 ก.ย.)
- Artificial Analysis จัดให้เป็นที่หนึ่งด้านความแม่นในกลุ่มโมเดลถอดสด 32 ตัว
- อัตราคำผิดในวลีสั้นหลายภาษาลดจาก 20.6% เหลือ 6.8% อัตราคำผิดคือ WER ยิ่งต่ำยิ่งแม่น
ราคาและที่เปิดใช้
- โหมดส่งทั้งก้อนคิด $0.10 ต่อชั่วโมงเสียง โหมดถอดสดคิด $0.20 ต่อชั่วโมง เท่ารุ่น 1.0
- การแยกผู้พูด การปักเวลา คำสำคัญ รวมอยู่ในราคาแล้วไม่มีค่าเพิ่ม
- เรียกผ่าน API ด้วย id grok-voice-transcribe-2.0
อย่าเข้าใจผิด
- ตอนนี้ 1.0 ยังเป็นค่าเริ่มต้นอยู่ จนกว่า 2.0 จะขึ้นมาเป็นค่าเริ่มต้นแทน
- รุ่น 1.0 จะถูกเลิกใช้ในสัปดาห์ข้างหน้า ใครอยากอยู่กับ 1.0 ให้ปัก id grok-voice-transcribe-1.0 ไว้เลย
- ตัวฐานเสียง Grok Voice ทำงานอยู่ใน Tesla สายซัพพอร์ต และงานบรรยายวิดีโอ แต่บริษัทไม่ได้บอกว่า Tesla ใช้ Transcribe 2.0 ตรง ๆ
ใครใช้แล้วบ้าง
- Atlassian ใช้กับ Loom ถอดข้อความทุกวิดีโอไปแล้ว
- Sanchan Saxena ผู้บริหารฝั่ง Teamwork Collection ของ Atlassian เป็นคนพูดถึงเรื่องนี้เอง (xAI 18 ก.ย.)
สรุป
งานไหนที่ต้องถอดเสียงเป็นข้อความเยอะ ๆ ตอนนี้มีตัวเลือกที่แม่นขึ้นมากโดยจ่ายเท่าเดิม แถมรองรับภาษาไทยด้วย
แหล่ง: xAI · 18 ก.ย. 2026