Grok Voice Transcribe 2.0 ile Daha İsabetli Ses Dökümü

Grok ekibi, 18 Eylül 2026’da konuşmayı metne dönüştüren yeni modeli Grok Voice Transcribe 2.0’ı duyurdu. Model, Grok Voice’un arkasındaki ses temel modeli üzerine kuruldu. Şirkete göre yeni sürüm, aynı fiyatla önceki sürüm 1.0’dan iki kat daha isabetli sonuç veriyor.

Model, farklı ortamlardan toplanmış canlı, gürültülü ve çok dilli ses kayıtlarıyla eğitildi, ardından ek eğitimle iyileştirildi.

Ne Değişti?

En büyük iddia doğruluk tarafında. Duyuruya göre Grok Voice Transcribe 2.0, Artificial Analysis’in herkese açık sıralamasında 32 gerçek zamanlı model arasında doğrulukta ilk sırada yer alıyor.

Şirketin kendi testlerinde kısa ifadelerdeki kelime hata oranı yüzde 20,6’dan yüzde 6,8’e düşmüş. Telefon görüşmeleri, Grok ile yapılan sohbetler, sesli söylenen kimlik bilgileri ve kısa çok dilli komutlardan oluşan dört test setinin hepsinde 1.0 sürümüne göre iyileşme görülüyor. Telefon kayıtlarında ise test edilen tüm modellerin önünde olduğu belirtiliyor.

Çok dilli doğruluk, önceki sürüme göre en çok gelişen alan. Model onlarca dili yazıya döküyor ve dili kendiliğinden algılıyor. Kayıt ortasında dil değişse bile bunu tek geçişte takip edebiliyor. Kısa ifade testi 19 dili kapsıyor.

Öne Çıkan Özellikler

Model hem dosya ve bağlantılar için toplu dökümü hem de gerçek zamanlı akışı destekliyor. Kelime düzeyinde zaman damgası ve güven puanı veriyor. Konuşmacıları birbirinden ayırabiliyor ve sekiz kanala kadar çok kanallı kayıtları her kanalı ayrı ayrı işleyerek yazıya döküyor.

İstek başına 100 terime kadar anahtar kelime tanımlanabiliyor. Bu, ürün adları ya da tıbbi terimler gibi özel sözcüklerin doğru yazılmasına yardım ediyor. Sayılar, tarihler, para birimleri, telefon numaraları ve e-posta adresleri yazılı biçimde döndürülüyor. Dolgu sözcükleri temizlenebiliyor, sesli ajanlar için akıllı konuşma sırası algılama da sunuluyor.

Bir müşteri örneği de paylaşılmış. Atlassian, Loom videolarını yazıya dökmede modeli mevcut çözümünden daha isabetli bulmuş.

Kimi İlgilendiriyor?

Model en çok çağrı merkezi kayıtlarını işleyen şirketleri, sesli ajan geliştirenleri, toplantı ve video dökümü yapan ekipleri ilgilendiriyor. Fiyat 1.0 sürümüyle aynı: toplu dökümde ses saati başına 0,10 dolar, gerçek zamanlı akışta ise saat başına 0,20 dolar. Konuşmacı ayırma, zaman damgası ve anahtar terim desteği ek ücret olmadan dahil.

Mevcut Speech-to-Text API kullanıcıları kodlarını değiştirmeden iyileştirmeden yararlanabiliyor. Yeni sürüm yakında API’de varsayılan olacak. 1.0 sürümü ise önümüzdeki haftalarda kullanımdan kaldırılacak. Eski sürümde kalmak isteyenlerin modeli adıyla sabitlemesi gerekiyor.

Türkiye’den Kullanıcılar İçin

Duyuruda desteklenen dillerin tam listesi verilmiyor ve Türkçe ayrıca anılmıyor. Bu nedenle Türkçe kayıtlarla çalışacak ekiplerin, modeli kendi ses örnekleriyle denemesi en doğru yol. Özellikle Türkçe ile İngilizcenin karıştığı toplantılarda dil geçişi özelliğinin nasıl çalıştığı test edilmeye değer. Telefon kayıtları gibi kişisel veri içeren seslerin bir bulut hizmetine gönderilmesi, KVKK açısından ayrıca değerlendirilmeli.