AI 导读
在 Final Transcript 上，Grok Voice Transcribe 2.0 在语音结束后 0.49s 实现 2.7% WER，在 AA-WER Streaming 的 33 个模型中排名第 1，较 Grok Voice Transcribe 1.0 的 3.9% WER 有所提升。它比 Muse Voice Transcribe（3.1% WER、0.16s）、带语义端点的 Cartesia Ink-2（3.4% WER、0.43s）以及 ElevenLabs Scribe v2 Realtime（3.6% WER、0.14s）更准确，但在速度上有所取舍。
正文
On Final Transcript, Grok Voice Transcribe 2.0 achieves a 2.7% WER at 0.49s after end of speech, ranking #1 of 33 models on AA-WER Streaming and improving on Grok Voice Transcribe 1.0 at 3.9% WER. It is more accurate than Muse Voice Transcribe at 3.1% WER and 0.16s, Cartesia Ink-2 with semantic endpoints at 3.4% WER and 0.43s, and ElevenLabs Scribe v2 Realtime at 3.6% WER and 0.14s, while trading some speed.
来源：@ArtificialAnlys · x.com