批次與串流轉錄
透過 REST 工作流程從大型音訊檔產生轉錄稿，或使用低延遲的 WebSocket API 逐步即時轉錄語音。
概覽
Grok Speech to Text and Text to Speech APIs 是 xAI 提供的獨立音訊端點，適合需要在應用程式中加入語音辨識與語音合成的開發者。此產品提供兩個分開的 API：用於轉錄的 Grok STT，以及用於生成語音的 Grok TTS。
這些 API 建構於驅動 Grok Voice、Tesla 車輛與 Starlink 客服支援的同一技術堆疊之上。xAI 將其定位於語音代理、即時轉錄工具、無障礙解決方案、播客，以及其他互動式音訊工作流程。
核心功能
結構化轉錄輸出
透過逐字時間戳、說話者區分、多通道處理，以及針對數字、日期、貨幣與類似文字的逆向文字正規化，提升轉錄稿的可用性。
多語支援
可在 25+ 種語言間運作，並在不中斷轉錄流程的情況下切換語言。
文字轉語音生成
透過 REST 或即時 WebSocket 端點，使用自然且富有表現力的聲音將文字轉為語音。
細緻的語音控制
使用內嵌與包覆式語音標籤控制語音表達，例如 `[laugh]`、`[sigh]`、`[whisper]`、`<emphasis>`、`<slow>` 與 `<pause>`。
簡單的按用量計費
採用按用量計費，批次 STT、串流 STT 與 TTS 分別適用不同費率。
實際使用情境
轉錄流程
為面向客戶或內部的工具加入語音辨識，這些工具需要對上傳的音訊進行批次轉錄，或在對話期間進行即時轉錄。
語音代理與助理
建立可聆聽語音輸入並回傳具時間戳、說話者標籤與正規化實體之結構化文字的助理。
文字轉語音輸出
為旁白內容、互動式體驗或無障礙功能生成語音輸出，尤其重視自然表達。
會議與通話分析
處理會議、訪談或客服通話等多說話者錄音，其中說話者分離與多通道輸入可提升可讀性。
多語音訊工作流程
支援跨語言工作的團隊，並需要能在多種語言間切換而不改變工作流程的轉錄系統。
Pros and Cons
Pros
- 為不同音訊工作流程提供獨立的 STT 與 TTS API。
- 同時支援 REST 與 WebSocket 存取，適用於批次與即時使用。
- 包含時間戳、說話者區分、多通道支援與逆向文字正規化等轉錄功能。
- 提供涵蓋 25+ 種語言的多語 STT。
- 為 TTS 使用者提供語音標籤，可對強調、停頓、耳語與其他表達細節進行內嵌控制。
Cons
- 頁面未公布單一全包價格；費用依 STT 與 TTS 的使用類型分開計費。
- 完整費率限制未列在公告頁面上，而是參照 xAI API 控制台。
- 公告頁面未說明 SDK、支援的程式語言或整合合作夥伴。
FAQ
Grok STT 和 TTS APIs 是做什麼用的？
這些 API 是獨立的音訊端點，適合想在應用程式中加入語音辨識或語音合成的開發者。頁面強調的使用情境包括語音代理、即時轉錄工具、無障礙工具、播客，以及互動式音訊體驗。
這些 API 支援哪些介面？
Speech to Text 可透過批次 REST API 與即時 WebSocket API 使用。Text to Speech 也可透過 REST 與 WebSocket 端點使用，因此開發者可選擇批次或串流工作流程。
Grok STT 包含哪些轉錄功能？
這些語音 API 支援 25+ 種語言的多語轉錄。頁面也強調逐字時間戳、說話者區分、多通道支援，以及用於結構化轉錄輸出的逆向文字正規化。
Grok TTS 如何處理語音風格與表現力？
Text to Speech 支援自然且富有表現力的聲音，並提供語音標籤以精細控制韻律與情緒。頁面列出 `[laugh]`、`[sigh]`、`[whisper]`、`<emphasis>`、`<slow>` 與 `<pause>` 等內嵌與包覆標籤作為範例。
定價結構是什麼？
定價採按用量計費。頁面指出 Speech to Text 依批次與串流用量按小時計費，Text to Speech 則依每百萬字元計費。最新費率限制與完整細節可在 xAI API 控制台中查閱。
Quick Facts
- 分類
- 開發者工具
- 來源網域
- x.ai
- 主要產品
- Grok Speech to Text 和 Grok Text to Speech
- 存取模式
- REST API 與 WebSocket API
- 定價模式
- 按用量計費
- 語言支援
- STT 支援 25+ 種語言
Grok Speech to Text and Text to Speech APIs 替代品
SpeakoFlow
SpeakoFlow 是適用於 Windows、macOS 與 Linux 的免費開源桌面語音轉文字應用，支援對任何 App 進行聽寫、Flow 語音寫作、AI 清理、翻譯與螢幕感知助理。
Sanota
Sanota 是一款將口述回憶、反思與訪談轉成清楚文字故事的 App，支援個人敘事、家族歷史與共享記憶，並提供引導提示與訂閱方案。
Carbon Voice
Carbon Voice 是專為團隊與個人打造的非同步語音訊息 app，提供逐字稿、AI 快速跟進與跨裝置存取，讓你不用即時通話也能順暢溝通。
Talkpal
Talkpal 是一款 AI 語言學習網頁與手機應用，提供口說、聽力、寫作與發音練習；具引導式課程、角色扮演與對話式通話練習，支援 130+ 種語言。
QuickQuill
QuickQuill 是一款適用於 macOS 的本機語音輸入與轉錄 App，可在裝置上錄音、逐字轉寫、生成摘要與匯出筆記，無需使用雲端服務。
Zen Whisper
Zen Whisper 是適用於 Apple Silicon Mac、支援 macOS 14 或以上版本的本機優先聽寫與轉錄 app，可在多數 Mac 文字欄位直接口述輸入，並轉錄媒體或支援的公開連結，提供 110 種語言選項。