Grok Voice Transcribe 2.0 mantiene el precio y presiona a Deepgram y ElevenLabs

SpaceXAI ha publicado el 18 de septiembre Grok Voice Transcribe 2.0, su modelo de transcripción de voz, y ha dejado el precio donde estaba: 0,10 dólares por hora de audio en procesamiento por lotes y 0,20 en streaming. La empresa dice que la nueva versión dobla la precisión de Grok Voice Transcribe 1.0, su propia predecesora, y el detalle completo está en el anuncio.

El dato de precisión hay que leerlo con cuidado. Ese doble de exactitud es contra el modelo anterior, no contra nadie más. Frente al resto la empresa hace una afirmación más estrecha: dice que ocupa el primer puesto de precisión entre 32 modelos de streaming en la clasificación pública de Artificial Analysis, y se describe como uno de los más precisos, no como el más preciso. El matiz es suyo y conviene mantenerlo. Sus gráficas internas comparan con ElevenLabs Scribe v2 y Deepgram Nova-3, evaluaciones hechas por el propio vendedor contra comparadores que elige el propio vendedor.

El precio es la noticia

Mantener la tarifa y a la vez reclamar el doble de precisión es una afirmación sobre el mercado más que sobre el modelo. El etiquetado de hablantes, los timestamps a nivel de palabra y el sesgo por términos clave van incluidos sin coste extra, cuando hasta hace poco eran funciones facturables. La transcripción se está fijando como insumo básico y quien la vende compite por lo que mete en el paquete. La presión es general: OpenAI ha sacado modelos nuevos de su API de voz y el modelo propio de Microsoft se comparó con Whisper, Gemini y ElevenLabs en 25 idiomas.

De dónde sale la ventaja

SpaceXAI lo dice sin rodeos: entrena con un conjunto de audio en vivo, ruidoso y multilingüe grabado en entornos variados. Grok Voice mueve decenas de miles de llamadas de soporte al día, transcribe millones de horas de narración de vídeo y ejecuta el asistente de los coches Tesla. La precisión con voz limpia está resuelta; lo que queda es telefonía, acentos, voces solapadas y comandos dentro del coche, y ahí gana quien tiene más conversaciones reales pasando por sus sistemas.

Lo llamativo está en cómo se mide. La empresa evalúa la tasa de error por palabra sobre cuatro conjuntos internos sacados de tráfico de producción: telefonía de soporte, conversaciones con Grok, comandos de voz cortos multilingües y credenciales habladas. Este último son códigos de cuenta, teléfonos, correos y direcciones leídos en alto. Es un corpus de evaluación permanente formado por gente recitando sus propios datos identificativos, y el anuncio no explica cómo se obtiene, cuánto se retiene ni con qué consentimiento. Puede que lo cubran los términos empresariales, pero no lo dice.

En Europa la pregunta es inmediata. Una llamada de soporte tiene dos partes y solo una tiene contrato con el proveedor de IA; quien lee su número de cuenta a nadie le ha dado permiso. Las grabaciones de voz son datos personales y la limitación de finalidad y la retención son las preguntas obvias.

La mejora que más se nota es la multilingüe en frases cortas. En el conjunto propio de 19 idiomas con comandos de asistente, la tasa de error por palabra baja del 20,6% al 6,8%. Los comandos breves dan poco contexto para identificar el idioma, que es justo el problema dentro del coche, y ahí SpaceXAI tiene el terreno ganado vía Tesla. DeepL hace traducción de voz en tiempo real en más de 40 idiomas y ElevenLabs ya lista transcripción entre sus servicios en el marco cloud del gobierno británico.

El dato que más pesa no es un benchmark. Atlassian dice que el modelo es más preciso que el proveedor que usaba y ahora transcribe con él todos sus vídeos de Loom: un cambio real de un comprador identificable. La versión 1.0 se deprecia en semanas, con pinning disponible durante la transición, y los clientes del modelo viejo se mueven quieran o no.

Queda por ver si alguien pregunta por el corpus de credenciales, que es la revelación realmente nueva del anuncio y que nadie ha recogido. Y queda por ver el suelo de precios: a diez centavos la hora el modelo es casi gratis, y el negocio es el audio que pasa por él.