xAI anunció Grok Voice Transcribe 2.0, su nuevo modelo de voz a texto construido sobre el fundamento de audio de Grok Voice. Según el laboratorio, en evaluaciones propias es el doble de preciso que Grok Voice Transcribe 1.0 y mantiene el mismo precio: 0,10 dólares por hora de audio en lote y 0,20 en streaming.
Grok Voice ya alimenta, afirma xAI, decenas de miles de llamadas de soporte al día, transcribe millones de horas de narración en vídeo y opera agentes de voz en productos físicos, incluido el asistente Grok en vehículos Tesla. El entrenamiento usa audio en vivo, ruidoso y multilingüe grabado en entornos diversos.
El posicionamiento enfatiza audio difícil: líneas telefónicas inestables, voces concurrentes, acentos locales y credenciales leídas en voz alta. En el ranking público de Artificial Analysis citado por xAI, Transcribe 2.0 ocupaba el primer puesto de precisión entre 32 modelos en streaming.
Las evaluaciones internas cubren telefonía a 8 kHz de soporte, conversaciones con Grok, credenciales habladas (números, correos, direcciones) y comandos cortos multilingües. En telefonía, xAI afirma liderar frente a todos los modelos que probó; en frases cortas en 19 idiomas, el error de palabra cae del 20,6% al 6,8% frente a la versión 1.0.
Las funciones incluyen lote y streaming, marcas de tiempo por palabra, diarización de hablantes sin coste extra, hasta ocho canales, sesgo por hasta 100 términos clave, formato inteligente de números y fechas, eliminación de muletillas y detección de turno para agentes de voz. Las integraciones existentes de la API de Speech-to-Text reciben la mejora sin cambios de código.
Atlassian Loom aparece como caso de cliente: Sanchan Saxena, SVP de Teamwork Collection, destacó la precisión para transcribir vídeos Loom y cerrar el bucle «contexto a código» al pasar transcripciones a herramientas de desarrollo. Es un ejemplo de por qué la transcripción importa en agentes: el audio se convierte en texto accionable.
El precio idéntico a 1.0 es el mensaje comercial frente a rivales que compiten por milisegundos y por céntimos por hora. xAI indica que 2.0 será pronto el valor por defecto de la API y que 1.0 se deprecará en semanas; quien necesite fijar la versión anterior puede anclar el identificador de modelo.
En el mercado de otoño de 2026, Microsoft promociona MAI-Transcribe-2 con claims agresivos de velocidad, precisión y precio, mientras OpenAI, Google y ElevenLabs mantienen ofertas consolidadas. Grok Voice Transcribe 2.0 apuesta por audio real de telefonía y por el ecosistema Grok/Tesla como diferenciador de datos.
Para equipos de agentes, la diarización incluida y la detección de turno reducen piezas a integrar. Para cumplimiento, el modo de formato y la eliminación de muletillas permiten elegir entre literalidad y legibilidad según el caso de uso.
Neural Pulse se ciñe a lo que el anuncio de xAI sostiene: mejora de precisión al mismo precio, liderazgo en un ranking citado y casos de uso de producción. No trata esos rankings como verdad absoluta ni inventa benchmarks no publicados.
La carrera de speech-to-text se ha vuelto estratégica porque los agentes de voz necesitan latencia baja y errores bajos en nombres propios y códigos. Un punto menos de error de palabra en credenciales puede ser la diferencia entre un flujo automatizado y una escalada humana.
Con Transcribe 2.0, xAI refuerza la pila de voz junto al asistente conversacional Grok. Octubre de 2026 deja claro que la transcripción ya no es un comodín barato: es infraestructura de agentes y de productividad.
