Dupla pontosságú hangtranszkripció 10 centért, az xAI új modellje

Az xAI 0,10 dolláros óránkénti batch és 0,20 dolláros streaming áron kínálja a Grok Voice Transcribe 2.0 modellt, amelynek pontossága a belső tesztek szerint 20,6%-ról 6,8%-ra csökkent a WER mutatóban. (TNW)

A bejelentés a SpaceXAI néven futó cégtől érkezett, miután a SpaceX februárban felvásárolta az xAI-t. Az Artificial Analysis ranglistáján a modell 32 streaming szolgáltatás közül az első helyen áll a pontosság tekintetében, miközben a speaker labeling és a szavankénti időbélyegek díjmentesen járnak az alapárhoz.

A pontosság forrása

A modell egyedi, élő, zajos, többnyelvű hangfelvételekből álló adathalmazon lett betanítva. A Grok Voice naponta több tízezer ügyfélszolgálati hívást dolgoz fel, több millió órányi videófelvételt transzkribál, és a Tesla járművek asszisztensét is működteti. A fejlesztők a telefonhívások, akcentusok és autós parancsok pontosságára koncentrálnak, mivel a tiszta beszéd feldolgozása már megoldottnak számít.

Az európai aggályok

Az Európai Unióban a hangfelvételek személyes adatnak minősülnek, különösen az érzékeny adatok, mint a számlaszámok vagy e-mail címek esetén. Az xAI nem közölte, hogyan szerzik be, tárolják vagy kezelik az adatokat, illetve a felhasználók hozzájárulását. A cég belső tesztjei közé tartozik egy „beszélt azonosítók” nevű adathalmaz, amelyen az emberek felolvassák azonosító adataikat.

A piaci verseny

Az xAI a korábbi árakon kínálja az új modellt, miközben a pontosság megduplázódását állítja. Az OpenAI és a Microsoft is új hang-API modelleket vezetett be, amelyekkel versenyeznek a piacon. Az Atlassian például az xAI modelljét használja minden Loom videójának transzkribálására, mivel pontosabbnak találta, mint korábbi szolgáltatóját.

Az xAI a Grok Voice Transcribe 1.0 modellt néhány héten belül kivezeti, az ügyfeleket automatikusan áttereli az új verzióra. Az új modell már elérhető, az árak változatlanok: 0,10 dollár/óra batch és 0,20 dollár/óra streaming.