xAI语音转文字API正式发布：支持25种语言全面开放
xAI宣布其语音转文字（STT）API从测试阶段进入正式发布阶段。该服务支持25种语言，提供批处理和流式两种模式，无需等待名单即可使用——与此前正式发布的Grok语音智能体API共同构成完整的语音技术栈。
本文由人工智能基于一手来源生成。
xAI于2026年4月在其发布说明中宣布，其语音转文字（STT）API已退出测试阶段，进入正式发布（GA）阶段。该服务可将音频转录为文本，支持25种语言，并提供批处理和流式两种工作模式。
xAI STT API具体提供什么？
文档中的核心信息是：「以批处理和流式模式将音频转录为25种语言的文本。」批处理模式用于处理完整音频文件——会议录音、播客集、采访记录——将整个文件发送给API，转录完成后返回结果。
流式模式则实时处理音频。用户说话时，部分转录内容以低延迟返回，这对语音助手、实时字幕或应用内听写至关重要。
支持25种语言使xAI在竞争层面与OpenAI Whisper和谷歌云语音转文字服务比肩，尽管已发布的发布说明中未列出确切的语言列表。
正式发布状态对开发者意味着什么？
从测试版升级至正式版带来几项实际变化。首先，API无需等待名单即可使用——任何持有API密钥的xAI用户都可以立即开始发送请求。其次，正式版通常意味着更稳定的SLA保证和API协议中重大变更的可能性降低。
第三，正式版表明xAI已准备好支持生产级工作负载，这对开发商业语音产品的开发者至关重要。已发布的发布说明中未详细说明每分钟音频处理的具体定价，开发者需在xAI控制台中查阅当前定价。
与Grok和语音智能体的整合
Grok语音智能体API自2025年12月起已正式发布，这意味着xAI现在已形成完整的语音技术闭环——STT负责输入（语音识别），Grok LLM负责推理，语音智能体负责输出（语音合成和对话管理）。
这种整合意味着构建语音产品的开发者可以使用单一服务商，而无需混合使用不同团队的STT（如Whisper）、LLM和TTS。优势在于统一的延迟体验、统一的SDK和统一的计费。
对xAI而言，这具有重要战略意义，因为OpenAI的Realtime API等竞争产品已经提供集成语音技术栈。STT正式发布填补了这一缺口，使xAI成为语音助手生产部署的有力选择。
常见问题
- 什么是语音转文字（STT），它与文字转语音有何不同？
- STT（语音转文字）将语音转换为文本，是语音助手、转录和听写的基础。TTS（文字转语音）则相反——将文本转换为合成语音。
- 批处理模式和流式模式有什么区别？
- 批处理模式一次性处理整个音频文件并返回转录结果，适合录音、播客和会议录音。流式模式在用户说话时实时返回转录内容，具有低延迟特性，适用于实时语音助手和听写应用。
- xAI STT如何融入Grok生态系统？
- Grok语音智能体API自2025年12月起已正式发布。STT的正式发布使xAI拥有了完整的语音技术栈：STT负责输入，Grok负责推理，TTS/语音智能体负责输出——全部来自同一服务商。