xAI hat Grok STT 1.0 am 23. Juli auf OpenRouter gestellt, einen Tag bevor es darüber Aufsehen erregte. Dabei handelt es sich um ein Speech-to-Text-Modell – Sie geben ihm Audio, es liefert Text zurück. Nichts Exotisches an seiner Funktionsweise; der Kampf dreht sich um Preis und Genauigkeit.
Und die Zahlen sprechen für sich. 0,10 $ pro Stunde für Batch, 0,20 $ für Streaming. Bei der Entitäts-Erkennung in Telefonaten erzielt es eine Fehlerrate von 5,0 %, gegenüber ElevenLabs mit 12,0 %, Deepgram mit 13,5 % und AssemblyAI mit 21,3 %. Wenn das Bestand hat, ist xAI gerade in den Enterprise-Voice-Markt eingetreten und hat den Boden abgeschnitten.
Was Sie damit bauen können
Zwei Zugangswege: REST für Batch-Jobs, WebSocket für Echtzeit-Streaming. Sie erhalten 25 Sprachen, Wort-Level-Zeitstempel, Sprecher-Diarisation, Mehrkanal-Audio und inverse Text-Normalisierung für 12 Formate. Der offensichtliche Anwendungsfall ist die Live-Schicht eines Voice-Agents – das Ohr, das ein Grok-basiertes Gehirn füttert und schließlich einen TTS-Mund.
Warum es wichtig ist
Damit schließt sich Groks Voice-Loop: Erkennung, Reasoning, Generation, alles aufrufbar. Und xAIs echter Vorteil liegt in der Distribution – leiten Sie es direkt in die API und X, jetzt auch OpenRouter, weiter.