خلاصه: SpaceXAI در ۱۸ سپتامبر ۲۰۲۶ Grok Voice Transcribe 2.0 را معرفی کرد. زمان‌بندی واژه‌ها، تفکیک گوینده و واژه‌های تخصصی از امکانات اعلام‌شده‌اند. کاربرد برای سازندگان محتوا، تهیه متن زمان‌دار اولیه از فایل صوتی است. زیرنویس قابل انتشار هنوز به بازبینی نام‌ها، اعداد و تقسیم جمله‌ها نیاز دارد و کیفیت فارسی تضمین‌شده نیست.
تاریخ رویداد: ۲۷ شهریور ۱۴۰۵
پیش‌نیاز: فایل صوتی مجاز، دسترسی پشتیبانی‌شده به API یا ابزار واسط معتبر، بودجه پردازش.
متن ویدئو وقتی مفید است که زمان داشته باشد
پیاده‌سازی یک گفت‌وگو در یک پاراگراف بلند، برای ساخت زیرنویس کافی نیست. باید بدانیم هر جمله کجا شروع می‌شود و چه کسی آن را گفته است. مدل Grok Voice Transcribe 2.0 در ۱۸ سپتامبر ۲۰۲۶ معرفی شد و امکاناتی مانند زمان‌بندی واژه‌ها، تفکیک گوینده و راهنمایی با واژه‌های تخصصی را دارد. معرفی رسمی مدل
این خبر چه کاری را ساده‌تر می‌کند؟
برای یک مصاحبه آموزشی، مسیر پیشنهادی این است: فایل صوتی مجاز را پیاده‌سازی کنید، نام ابزارها را بازبینی کنید، سپس متن را به قطعه‌های کوتاه خوانا تقسیم کنید. خروجی متن زمان‌دار ماده اولیه زیرنویس است؛ ساخت فایل SRT یا چسباندن متن روی ویدئو، مرحله بعدی کار است.
فرض کنید در ویدئو چند بار «آلوانا» و نام یک مدل انگلیسی گفته می‌شود. واژه‌های تخصصی می‌توانند به تشخیص کمک کنند، اما تضمین نمی‌کنند نام همیشه درست نوشته شود. مهم‌ترین بازبینی را روی اسم‌ها، اعداد، قیمت‌ها و جمله‌های منفی انجام دهید؛ اشتباه در همین بخش‌ها می‌تواند معنی آموزش را عوض کند.
کیفیت را با نمونه خودتان بسنجید
در خبر رسمی از پیشرفت دقت صحبت شده، اما این ادعای سازنده جای بررسی صدای شما را نمی‌گیرد. یک دقیقه از فایل دارای مکث، نام انگلیسی و دو گوینده انتخاب کنید. میزان اصلاح لازم و هماهنگی زمان با صدا را بسنجید.
قیمت اعلام‌شده هنگام معرفی برای فایل ضبط‌شده ۰٫۱۰ دلار به‌ازای هر ساعت و برای حالت جریانی ۰٫۲۰ دلار بود؛ هزینه ابزار واسط و تدوین جداست. قیمت در اعلام رسمی
مستندات API مسیر فنی پیاده‌سازی را توضیح می‌دهد. از وجود قابلیت در API نباید نتیجه گرفت همان دکمه در همه نسخه‌های اپ Grok دیده می‌شود. مستندات Speech to Text
سؤالات متداول
آیا خروجی مدل همان زیرنویس نهایی است؟
خیر. متن زمان‌دار باید بازبینی، تقسیم‌بندی و به قالب مناسب تدوین یا زیرنویس تبدیل شود.
آیا می‌توان دقت فارسی را از رتبه کلی مدل نتیجه گرفت؟
خیر. کیفیت زبان، لهجه و صدای فایل خودتان باید با نمونه کوتاه بررسی شود.
محدودیت‌ها
کیفیت فارسی و لهجه‌ها در این مقاله آزموده نشده. قیمت اعلام‌شده تاریخ‌دار است؛ خروجی خودکار نیاز به بازبینی دارد.
منابع
- Introducing Grok Voice Transcribe 2.0 — SpaceXAI
- Speech to Text — SpaceXAI
