xAI ने Grok Speech APIs लॉन्च किए, प्रतिस्पर्धियों से 60% सस्ते

Zach Anderson 18 अप्रैल 2026 00:53

Elon Musk की xAI ने Grok Speech to Text और Text to Speech APIs $0.10/घंटा की दर पर जारी किए, जो एंटरप्राइज ट्रांसक्रिप्शन बेंचमार्क में सबसे कम त्रुटि दरों का दावा करते हैं।

Elon Musk की xAI ने 17 अप्रैल को दो स्टैंडअलोन ऑडियो APIs जारी किए, जो Grok की स्पीच टेक्नोलॉजी को ElevenLabs, Deepgram और AssemblyAI के साथ आक्रामक मूल्य बिंदुओं पर सीधी प्रतिस्पर्धा में स्थापित करते हैं।

Grok Speech to Text API बैच प्रोसेसिंग के लिए $0.10 प्रति घंटा और रियल-टाइम स्ट्रीमिंग के लिए $0.20 प्रति घंटा पर चलता है। Text to Speech प्रति मिलियन कैरेक्टर $4.20 पर आता है। दोनों Tesla वाहनों और Starlink ग्राहक सहायता को शक्ति प्रदान करने वाली समान इंफ्रास्ट्रक्चर का लाभ उठाते हैं।

जांच योग्य बेंचमार्क दावे

xAI की प्रकाशित शब्द त्रुटि दरें एक दिलचस्प कहानी बताती हैं। फोन कॉल एंटिटी रिकग्निशन पर—नाम, खाता संख्या, तारीखों के बारे में सोचें—Grok STT 5.0% त्रुटि दर का दावा करता है जबकि ElevenLabs 12.0%, Deepgram 13.5%, और AssemblyAI 21.3% पर हैं। यदि यह प्रोडक्शन में बना रहता है तो यह एक महत्वपूर्ण अंतर है।

कंपनी ने इसे एक मुश्किल टेस्ट केस के साथ प्रदर्शित किया: वेल्श नामों जैसे "Anghared Llewelyn Bowen" और "Oisin MacGiolla Phadraig" के साथ-साथ मॉर्गेज विवरण को ट्रांसक्राइब करना। Grok ने इसे शून्य त्रुटियों के साथ पूरा किया। प्रतिस्पर्धी मॉडल उच्चारण पर लड़खड़ाए और तारीखों को असंगत रूप से फॉर्मेट किया।

वीडियो और पॉडकास्ट ट्रांसक्रिप्शन कड़ी प्रतिस्पर्धा दिखाता है—Grok और ElevenLabs 2.4% त्रुटि दर पर बराबर हैं, जबकि Deepgram और AssemblyAI क्रमशः 3.0% और 3.2% पर थोड़ा पीछे हैं।

डेवलपर्स के लिए तकनीकी फीचर्स

कच्चे ट्रांसक्रिप्शन से परे, xAI ने ऐसी सुविधाएं बनाईं जिनकी एंटरप्राइज ग्राहकों को वास्तव में आवश्यकता है: शब्द-स्तरीय टाइमस्टैम्प, कई ऑडियो चैनलों में स्पीकर डायराइजेशन, और निर्बाध स्विचिंग के साथ 25+ भाषाओं के लिए समर्थन।

Inverse Text Normalization फीचर स्वचालित रूप से बोले गए नंबरों, तारीखों और मुद्राओं को उचित प्रारूपों में परिवर्तित करता है। "Four one four five five five one two three four" एक फोन नंबर बन जाता है। "Six ninety-nine" $6.99 बन जाता है। छोटा विवरण, लेकिन यह पोस्ट-प्रोसेसिंग की परेशानियों को समाप्त करता है।

Text to Speech में प्रोसोडी कंट्रोल के लिए इनलाइन टैग शामिल हैं—फुसफुसाहट, हंसी, आहें, जोर, गति समायोजन। डेवलपर्स जटिल ऑडियो मार्कअप से जूझे बिना भावनात्मक बारीकी इंजेक्ट कर सकते हैं।

रणनीतिक संदर्भ

यह लॉन्च मार्च 2025 में xAI द्वारा X Corp के अधिग्रहण के बाद आता है और ऐसे समय आता है जब कंपनी अपनी इंफ्रास्ट्रक्चर साझेदारियों का विस्तार कर रही है। API घोषणा से सिर्फ दो दिन पहले, रिपोर्टें सामने आईं कि xAI Cursor को कंप्यूटिंग पावर की आपूर्ति करने की योजना बना रहा है, जो AI-संचालित कोडिंग स्टार्टअप है।

दिसंबर 2024 से परिचालन में Colossus सुपरकंप्यूटर बैकएंड ताकत प्रदान करता है। xAI उस क्षमता को कई वर्टिकल्स—एंटरप्राइज AI, डेवलपर टूल्स, और अब वॉयस APIs में मुद्रीकृत करता प्रतीत होता है।

वॉयस एजेंट या ट्रांसक्रिप्शन टूल्स बनाने वाले डेवलपर्स के लिए, मूल्य निर्धारण स्थापित खिलाड़ियों को काफी कम करता है। क्या Grok के सटीकता दावे बड़े पैमाने पर वास्तविक दुनिया की तैनाती में टिकते हैं, यह खुला सवाल बना हुआ है। दस्तावेज़ीकरण और रेट लिमिट xAI के API कंसोल के माध्यम से उन लोगों के लिए उपलब्ध हैं जो इसका परीक्षण करने के लिए तैयार हैं।

• xai
• grok
• ai apis
• speech recognition
• elon musk