Grok Speech to Text and Text to Speech APIs

什麼是 Grok Speech to Text (STT) 和 Text to Speech (TTS)？

Grok Speech to Text (STT) 和 Grok Text to Speech (TTS) 是 xAI 提供的獨立音訊 API，用於將語音轉換為文字以及文字轉換為語音。它們設計讓開發者能使用 REST 和 WebSocket 端點，為自家應用程式新增語音功能。

Grok STT 的目標是產生精確的逐字稿，並提供結構化輸出選項。Grok TTS 則專注於將文字轉為自然、富有表現力的語音，並透過語音標籤精細控制韻律。

主要功能

• 高準確度、低延遲轉錄：使用 REST API 從大型音訊檔案產生逐字稿，並使用 WebSocket API 進行即時語音轉錄。
• 單字級時間戳記與說話者分離：包含單字級說話者 ID，透過分離技術在預錄和串流音訊中分離並辨識說話者。
• 多聲道支援：使用相同 API 轉錄多聲道音訊檔案，並處理說話者分離。
• 反向文字正規化（啟用格式化時）：將口語轉換為結構化、正確格式的輸出，例如數字、日期和貨幣（例如將「我的電話號碼是 …」轉為預期格式）。
• 多語言語音辨識：支援 25+ 語言，並可無縫切換語言。
• 用於富有表現力的 TTS 語音標籤：使用內嵌和包圍式語音標籤，如 [laugh]、[sigh]、[whisper]、、 和 ，來控制語音呈現。
• TTS 的 REST 和 WebSocket 生成：使用 REST 進行批次式語音生成，或使用 WebSocket 進行即時語音輸出。

如何使用 Grok Speech to Text (STT) 和 Text to Speech (TTS)

1. 從 xAI API 主控台開始，使用提供的 STT 或 TTS 端點。
2. 進行轉錄時，選擇 REST 來處理大型音訊檔案，或選擇 WebSocket 以獲得低延遲即時轉錄。
3. 進行 TTS 時，透過 REST 提交文字生成語音，或使用 WebSocket 以獲得即時語音輸出。
4. 若需結構化逐字稿，請啟用格式化以使用反向文字正規化；若需 TTS 表現力，請新增語音標籤控制韻律。

使用情境

• 語音代理與互動助理：即時轉錄使用者語音，並將結果文字輸入對話或工作流程邏輯。
• 會議或支援通話的即時轉錄：使用說話者分離和單字級說話者 ID，將對話片段歸屬至正確說話者。
• 無障礙工具：將口語轉換為正確結構化文字（包含數字、日期和貨幣），並選擇性支援多語言。
• 播客與音訊製作工作流程：從長錄音產生逐字稿（批次轉錄），並使用 TTS 將腳本或結構化文字轉回音訊。
• 互動音訊體驗：結合受控 TTS（語音標籤用於強調、停頓和表現提示）與轉錄，支援雙向語音互動。

常見問題

有哪些端點可用於轉錄和語音生成？
Grok STT 和 Grok TTS 皆提供 REST 端點用於批次式請求，以及 WebSocket 端點用於低延遲或即時使用。

Grok STT 是否支援說話者辨識？
是的。API 包含說話者分離和單字級說話者 ID，適用於預錄和即時串流音訊。

轉錄是否提供格式化或結構化輸出？
是的。啟用格式化後，Grok STT 會套用反向文字正規化，將口語轉換為結構化輸出，例如數字、日期和貨幣。

Grok STT 支援多少語言？
頁面指出支援 25+ 語言，且可無縫切換語言。

如何控制 TTS 呈現風格？
Grok TTS 提供語音標籤（例如 [laugh]、[sigh]、[whisper]、、 和 ），可加入文字中控制韻律和情緒。

替代方案

• 語音轉文字 API（一般類別）：其他 STT 提供商提供 REST/WebSocket 轉錄，支援雙人聲分離與標點/格式化等選項。依據延遲、雙人聲分離品質，以及反向文字正規化處理方式進行比較。
• 支援標記/標籤的文字轉語音 API（一般類別）：許多 TTS API 支援類似 SSML 或自訂標記來影響節奏。比較標記表達力、支援控制項，以及 REST 與即時 WebSocket 生成的需求。
• 建置自訂音訊管線（一般類別）：有些團隊自行組裝 ASR 與格式化元件（獨立轉錄 + 正規化）。這可能增加整合複雜度，但能對每個步驟提供更多控制。
• 對話式語音平台 vs 獨立 API：取代獨立 STT/TTS 端點，您可採用端到端語音代理平台。這通常以獨立 API 的彈性，換取更整合的工作流程。