xAI Grok Voice Transcribe 2.0: 2,3 % WER – 10 cent, us-east-1

xAI slipper 18. september Grok Voice Transcribe 2.0, en ny tale-til-tekst-modell i Speech-to-Text API. Laben sier den er omtrent dobbelt så nøyaktig som 1.0 til samme pris: 0,10 dollar per time batch og 0,20 dollar per time strøm. Artificial Analysis måler 2,3 prosent WER i batch, mot 4,0 for 1.0. xAI hevder førsteplass blant 32 strømmemodeller på samme tavle. For CIO er dette kontaktcenter og møteopptak til Microsoft-pris. For CISO er det én region: us-east-1. Ingen EØS-ende. 1.0 skal fases ut.

Hva xAI faktisk lanserer

Transcribe 2.0 er ikke en ny Grok-chatmodell. Det er ASR bygget på lydfunden bak Grok Voice, den samme som xAI sier driver titusenvis av kundesamtaler om dagen, millioner av timer videonarrasjon og stemmeagenter i fysiske produkter, inkludert Grok-assistenten i Tesla.

API-et tar opptak og URL-er i batch, eller strøm i sanntid. Formater i dokumentasjonen: WAV, MP3, WebM, OGG og M4A. Med følger ordtidsstempler med konfidens, talerdiarisering uten tillegg, inntil åtte kanaler, inntil 100 domenetermer per kall, formattering av tall, dato, valuta, telefon og e-post, fjerning av fyllord, og Smart Turn for å vite når en stemmeagent skal svare.

Modell-ID er grok-voice-transcribe-2.0. Nyhetssaken sier at 2.0 snart blir standard og at 1.0 deprekeres i ukene som kommer; pin grok-voice-transcribe-1.0 for å bli. Dokumentasjonen, oppdatert samme dag, lister allerede 2.0 som standard. Ikke anta at produksjon flytter seg uten at dere har sjekket default i eget miljø.

Atlassian Loom er lanseringskunden. De sier transkriptet er mer nøyaktig enn løsningen de hadde, og at et Loom-opptak kan mates inn i Cursor og bli til kode.

Tallene som skal bære påstanden

xAI måler fire interne sett fra produksjon: telefoni på 8 kHz, samtaler med Grok, oppleste koder og e-postadresser, og korte flerspråklige kommandoer. De sier 2.0 slår 1.0 på alle fire, og leder på telefoni mot modellene de testet, blant dem Gemini 3.5 Transcribe, MAI-Transcribe-2, ElevenLabs Scribe v2, Deepgram Nova-3 og Whisper Large v3. De konkrete WER-tallene ligger i figurer, ikke i brødtekst, unntatt korte fraser: 20,6 prosent til 6,8 prosent over 19 språk.

Uavhengig: Artificial Analysis gir Grok Voice Transcribe 2.0 2,3 prosent WER og 159 ganger sanntid i batch, pris 1,67 dollar per 1000 minutter, altså 0,10 dollar per time. 1.0 ligger på 4,0 prosent WER og 238 ganger sanntid. På samme tavle er MAI-Transcribe-2 på 2,0 prosent og ElevenLabs Scribe v2 på 2,2. Fun-Realtime-ASR-preview og StepAudio 3 ASR ligger på 1,7. xAIs «først av 32» gjelder strøm, ikke batch. Kjøp mot AA og mot deres egne opptak, ikke mot labens telefonifigur alene.

Flerspråk er det største løftet mot 1.0, ifølge xAI. Norsk, dansk, svensk, tysk, fransk, spansk, arabisk, kinesisk, japansk og flere ligger i labens egen oversikt. Automatisk språkdeteksjon og språkbytte midt i opptaket skal skje i ett pass.

Tilgang, region og det som mangler

Prisen er uendret. Diarisering, tidsstempler og nøkkeltermer er inkludert. Rategrense i dokumentasjonen: 10 forespørsler per sekund, 100 samtidige strømsesjoner per team. Cluster: us-east-1.

Det er hele geografien som er offentlig. Ingen Frankfurt, ingen Norge, ingen EU-suveren variant. Grok i Microsoft Copilot er allerede av som standard og stengt i EØS. Transcribe 2.0 endrer ikke det. Opptak av norske kundesamtaler, styremøter og helse- eller finansdialog går til USA hvis dere slår den på.

SLA er ikke i nyhetssaken. Åpne vekter er det heller ikke. Microsofts MAI-Transcribe-2, sluppet 3. september, matcher listeprisen og har bedre AA-WER i batch, med Foundry åpen og Azure Speech i preview, og med bokmål i støttelisten. xAI konkurrerer på strøm, inkludert diarisering og Tesla/Loom-sporet, ikke på europeisk dataplassering.

Hva det betyr for ledergruppen

Tre beslutninger.

Først: default. Hvis dokumentasjonen allerede ruter kall uten modellparameter til 2.0, flytter produksjon seg når dere ikke ser på det. Pin 1.0 til dere har testet WER på deres aksenter, produktnavn og oppleste kundenumre.

Deretter: databehandler. En ASR som er billig nok til å stå på hele tiden, og som kan diarisere og mate en kodeagent, er en ny vei ut for tale. DLP på chat fanger ikke et Loom-opptak som blir transkribert i us-east-1 og limt inn i Cursor.

Til slutt: innkjøp. 0,10 dollar per time er samme listepris som Microsoft. Forskjellen er region, SLA og om 2,3 prosent WER er godt nok mot 2,0 hos MAI og 3,1 hos Meta Muse Voice Transcribe. Be om databehandleravtale, lagringstid, underleverandører og om opptak kan trene videre. Si nei til produksjon på regulert tale til det ligger i kontrakten.

Kilder og medier

Primærkilde: xAI, «Introducing Grok Voice Transcribe 2.0», 18. september 2026: https://x.ai/news/grok-voice-transcribe-2

Bekreftet i xAI-dokumentasjon for Speech to Text, oppdatert 18. september 2026: https://docs.x.ai/developers/models/speech-to-text

Uavhengig eval: Artificial Analysis Speech to Text, batch-WER for Grok Voice Transcribe 2.0.

Thumbnail: OpenAI Image 2 / hogby.ai