Grok Voice Transcribe 2.0

Grok Voice Transcribe 2.0 เป็นโมเดลถอดเสียงพูดเป็นข้อความรุ่นใหม่ล่าสุดจาก xAI / SpaceXAI เปิดตัวเมื่อวันที่ 18 กันยายน 2026 สร้างบนพื้นฐานเสียงตัวเดียวกับ Grok Voice ที่ขับเคลื่อนงานเสียงใน Tesla งานซัพพอร์ต และงานบรรยาย ผู้พัฒนาเรียกใช้ได้ผ่าน API ด้วยชื่อ grok-voice-transcribe-2.0 ครับ

สเปกและฟีเจอร์ - รองรับทั้งโหมด batch และ streaming - word timestamps และ diarization ให้มาฟรี - รองรับเสียงหลายช่องสูงสุด 8 ช่อง - กำหนด keyterm ได้สูงสุด 100 คำ เพื่อบังคับการถอดคำเฉพาะทาง - จัดรูปแบบข้อความ (formatting) รองรับภาษาต่าง ๆ รวมถึงภาษาไทย (th) - ตัดคำเสียงเกิน (filler removal) และ smart turn detection - รองรับหลายสิบภาษา ตรวจจับภาษาอัตโนมัติ และสลับภาษาได้กลางทางระหว่างบันทึกเสียง

ความแม่นยำ บริษัทระบุว่าแม่นยำกว่ารุ่น 1.0 ราว 2 เท่าในราคาเดียวกัน โดยค่า WER ของวลีสั้นลดลงจาก 20.6% เหลือ 6.8% และบริษัทอ้างอิงผลจาก Artificial Analysis ที่จัดให้โมเดลนี้เป็นอันดับ 1 ด้านความแม่นยำในกลุ่ม 32 โมเดล streaming ครับ

ราคา API - batch อยู่ที่ 0.10 ดอลลาร์ต่อชั่วโมงเสียง - streaming อยู่ที่ 0.20 ดอลลาร์ต่อชั่วโมงเสียง - ราคาเท่ากับรุ่น 1.0 โดย diarization, timestamps และ keyterms รวมอยู่ในราคาแล้ว ไม่มีค่าเพิ่ม

การเปลี่ยนจากรุ่น 1.0 รุ่น 2.0 จะกลายเป็นโมเดลหลักในเร็ว ๆ นี้ ส่วน Grok Voice Transcribe 1.0 มีแผนจะถูกยกเลิกภายในไม่กี่สัปดาห์ข้างหน้า ก่อนถึงตอนนั้น 1.0 ยังคงเป็นโมเดลหลักเหมือนเดิม ใครต้องการใช้รุ่นเก่าต่อ ให้ระบุชื่อ grok-voice-transcribe-1.0 ตรง ๆ ในโค้ดไว้เลยครับ

การใช้งานจริง Atlassian นำโมเดลนี้ไปใช้ถอดเสียงวิดีโอ Loom ทุกชิ้น โดย Sanchan Saxena ออกมายืนยันถึงคุณภาพการทำงาน ส่วนรายละเอียดเพิ่มเติมอ่านได้ที่หน้าข่าวทางการ x.ai/news/grok-voice-transcribe-2 และคู่มือนักพัฒนาที่ docs.x.ai/developers/model-capabilities/audio/speech-to-text