Grok录音转文字怎么用？Transcribe 2.0、时间戳与专有名词核对

会议录音转文字后，最值得核对的是产品名、金额和责任人，而不是标点是否漂亮。Grok Speech to Text支持文件转写、词级时间戳和说话人区分。本教程用一段已获准处理的测试录音，建立从请求到回听核查的流程；示例按官方文档编写，没有替你执行付费请求。

第一步：确认模型和输入文件

需要可用的xAI API账户、密钥与额度，普通聊天会员不自动包含API。本例固定使用grok-voice-transcribe-2.0。官方更新记录说明旧的1.0在2026年10月2日退役，旧名称请求会被路由到2.0；维护代码时应明确记录实际模型，避免仍把结果称作1.0输出。

先取一段短录音，确认可正常播放、语言和声道清楚。保存MP3或其他文档列明的格式。不要仅修改后缀来转换音频编码，也不要把真实会议直接拿来反复试参数。先用允许上传的样本验证链路，再处理完整材料。

第二步：按顺序构造转写请求

安装requests，把密钥设置在本机环境变量XAI_API_KEY。以下例子使用普通话，要求数字格式化并启用说话人标签。multipart表单中的选项字段必须放在file之前；requests的data与files组合会先写入普通字段，再附文件。

import os, requests
with open("meeting.mp3", "rb") as audio:
    response = requests.post(
        "https://api.x.ai/v1/stt",
        headers={"Authorization": "Bearer " + os.environ["XAI_API_KEY"]},
        data=[("model", "grok-voice-transcribe-2.0"),
              ("language", "zh"), ("format", "true"),
              ("diarize", "true"), ("keyterm", "项目澄明")],
        files={"file": ("meeting.mp3", audio, "audio/mpeg")},
        timeout=120)
response.raise_for_status()
result = response.json()
print(result["text"])
print("Duration:", result.get("duration"))
for word in result.get("words", []):
    print(word.get("start"), word.get("end"),
          word.get("speaker"), word.get("text"))

第三步：检查识别与格式化的差别

language可用于在歧义时偏向指定语言，format则将支持语言中的口头数字等转换为书写形式；使用格式化时也要传语言。示例的“项目澄明”只是术语占位，应换成录音里实际出现的名称。keyterm用于偏置识别，不保证每次都完全正确。

输出的text用于阅读，words里的start和end帮助定位回听。diarize产生的是说话人编号，不会自动证明编号对应某位同事。多声道独立转写和同一声道内的说话人区分也不是同一能力，应按原录音结构选择。

第四步：回听三类高风险片段

先核对人名与产品名，再核对金额、日期和数量，最后检查“可以”“不可以”“预计”等会改变含义的词。借助时间戳回听原音频，不要仅让另一个模型读转写稿来证明准确。数字格式化之后，也要留意单位与小数是否被改错。

请只根据已人工核对的转写整理待办：事项、原话、时间位置、责任人是否明确、截止日期是否明确。说话人编号不等于真实身份；没有明确承诺就写待确认，不从讨论语气推断已批准。

第五步：排查失败与漏转写

鉴权错误先检查密钥和账户；400错误检查字段、文件格式及顺序。音频有一段没有文字时，先回听是否声音过低或噪声过大，再考虑VAD阈值。官方说明降低阈值可保留较弱语音，但也可能把背景噪声转成文字，不能盲目降到零。

长文件或复杂声道增加定位难度，应先用短样本确定参数。每次改设置保留样本、参数与核对结果，避免只挑最好的一次宣称模型准确率。交付转写时标明人工核对范围，并把还无法确认的名字或数字留在待确认清单中。

官方资料

资料核对日期：2026年10月19日。

• xAI：Speech to Text接口
• xAI：模型更新及旧版退役