Весело
Весело

Grok STT: распознавание речи по API

Grok STT — распознавание речи от xAI: запись превращается в текст на одном из 38 языков, включая русский. Язык модель определяет по звуку и справляется, когда собеседники переходят с одного языка на другой посреди разговора. По нашему API это адрес /v1/audio/transcriptions в формате OpenAI, оплата — по длительности записи: 0,19 ₽ за минуту звука.

  • 0,19 ₽ за минуту звука
  • до 2 ч звука
  • звук → текст

x-ai/grok-stt

Обновлено:

Получить ключ Попробовать Документация

Попробовать Grok STT

Загрузи короткую запись — модель вернёт текст. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.

Что попробовать: Прочитай вслух: «Перевод на тысячу двести пятьдесят рублей прошёл двадцать первого ноября» — и посмотри, как модель запишет суммы и даты.

В ответ приходит текст записи в поле text — как у OpenAI.

Цены Grok STT в рублях

Звук — считаем по секундам0,19 ₽ за минуту

Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена

Сколько стоят типичные задачи

Суммы посчитаны по цене выше — сколько спишется за такую работу.

Протокол планёрки из записи: час записиОколо 11,40 ₽
Голосовые сообщения в боте: тысяча голосовых по полминутыОколо 95,00 ₽
Субтитры по времени слов: ролик на 12 минутОколо 2,28 ₽
Записи звонков для отдела качества: сто звонков по 6 минутОколо 114,00 ₽

Что умеет Grok STT

  • Распознаёт 38 языков, среди них русский, украинский, английский, турецкий, арабский и китайский (документация xAI).
  • Язык определяется по звуку, смена языка посреди записи модели не мешает; подсказать язык можно параметром language, например ru.
  • Время каждого слова: в ответе verbose_json приходит список слов с началом и концом в секундах.
  • Принимает файлы WAV, MP3, FLAC, MP4 и M4A, OGG и WebM — до 25 МБ за запрос.
  • Сейчас за распознаванием у xAI стоит модель grok-voice-transcribe-2.0: с сентября 2026 года она работает по умолчанию.

Где применять

Протокол планёрки из записи

Запись встречи на телефон или из Zoom — уже половина протокола. Отправь файл, получи текст и передай его текстовой модели с просьбой выписать решения, сроки и ответственных. Распознавание и выжимку удобно держать двумя шагами: если в протоколе что-то не так, видно, где ошибка — в расшифровке или в пересказе. Час записи в MP3 часто не влезает в 25 МБ, поэтому длинную встречу режь на части по 20–30 минут.

Пример запроса: «запись планёрки на 40 минут в MP3», language=ru.

Стоимость: час записи — около 11,40 ₽.

Голосовые сообщения в боте

Клиенты всё чаще отвечают боту голосом, а бот понимает только текст. Скачай голосовое из Telegram или VK, отправь в Grok STT и передай текст дальше по сценарию — как обычное текстовое сообщение. Голосовые в OGG принимаются как есть, без перекодирования, а короткая запись и стоит совсем немного. Если клиенты пишут на нескольких языках, параметр language не ставь: модель определит язык по звуку и вернёт его в ответе.

Пример запроса: «голосовое сообщение на 25 секунд в OGG», без language.

Стоимость: тысяча голосовых по полминуты — около 95,00 ₽.

Субтитры по времени слов

Для субтитров нужен не только текст, но и время: когда фраза начинается и когда заканчивается. Grok STT отдаёт начало и конец каждого слова, а из них уже собирается файл SRT — слова группируются в строки по паузам и длине. Видео сначала переведи в звук, например в M4A или MP3: так файл получится меньше и точно поместится в предел запроса. Готовые субтитры просмотри глазами — имена и названия модель пишет так, как услышала.

Пример запроса: «звуковая дорожка ролика на 12 минут в M4A», response_format=verbose_json, timestamp_granularities[]=word.

Стоимость: ролик на 12 минут — около 2,28 ₽.

Записи звонков для отдела качества

Руководителю продаж некогда слушать сотню звонков в день, а прочитать — можно. По расшифровкам можно искать по словам, считать, как часто звучат возражения, и выбирать для разбора нужные разговоры. Записи из телефонии сохраняй в WAV или MP3 перед отправкой: сырой звук без заголовка через наш API не принимается. Голоса оператора и клиента удобно разделять ещё на стороне телефонии, разными дорожками: тогда каждую можно расшифровать отдельно и сразу видно, кто что сказал.

Пример запроса: «запись звонка на 6 минут в WAV», language=ru.

Стоимость: сто звонков по 6 минут — около 114,00 ₽.

Характеристики

РазработчикxAI (Grok)
ВидРаспознавание речи
Файлmp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ
Звук за раздо 2 ч
Ответjson, text, srt, vtt, verbose_json
id для запросаx-ai/grok-stt

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.

Запрос — POST https://veselo.ai/v1/audio/transcriptions с полем model: x-ai/grok-stt, ключ — в заголовке Authorization: Bearer sk-vsl-….

curl

curl https://veselo.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -F model="x-ai/grok-stt" \
  -F file="@speech.mp3"

Python

from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)

with open("speech.mp3", "rb") as f:
    r = client.audio.transcriptions.create(model="x-ai/grok-stt", file=f)
print(r.text)

JavaScript

import fs from 'node:fs';
import OpenAI from 'openai'; // npm i openai

const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: 'sk-vsl-ТВОЙ_КЛЮЧ', timeout: 600_000, maxRetries: 0 });

const r = await client.audio.transcriptions.create({
  model: 'x-ai/grok-stt',
  file: fs.createReadStream('speech.mp3'),
});
console.log(r.text);

Пример ответа — только поля

{
  "text": "…"
}

В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Grok STT — эта модель0,19 ₽ / миндо 2 ч звукарасшифровка встреч, звонков и голосовых на русском и ещё 37 языках со временем слов
Grok TTS — xAI (Grok)1,68 ₽ / 1000 знаковдо 4 096 знаковживая озвучка со смехом, паузами и шёпотом по тегам в тексте, на русском и ещё 19 языках
Soniox STT v6 — Soniox0,19 ₽ / миндо 2 ч звукафоновая расшифровка записей на 60+ языках, когда ответ может подождать
Qwen3-ASR Flash — Qwen (Alibaba)0,24 ₽ / миндо 2 ч звукакороткие записи до 5 минут с терминами, в том числе на китайском
Cartesia Ink Whisper — Cartesia0,26 ₽ / миндо 2 ч звукамассовая расшифровка голосовых сообщений, заметок и телефонных записей
AssemblyAI Universal-2 — AssemblyAI0,28 ₽ / миндо 2 ч звукапакетная расшифровка на многих языках, русский — с высокой точностью
  • Soniox STT v6 — если нужна разметка говорящих: у Soniox она есть, а языков больше 60.
  • Qwen3-ASR Flash — если нужны подсказки контекста: она принимает их вместе с записью, русский тоже распознаёт.
  • Grok TTS — обратная задача от того же разработчика: превратить текст в речь.

Как устроен доступ

Весело — не разработчик Grok STT: модель выпускает xAI (Grok). Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность

Вопросы и ответы

Какие языки распознаёт Grok STT?
По документации xAI — 38: русский, украинский, английский, немецкий, французский, испанский, турецкий, арабский, китайский, японский и другие. Язык определяется автоматически, даже если собеседники переходят с одного на другой посреди записи.
Можно ли получить время каждого слова?
Да. Попроси ответ verbose_json с timestamp_granularities[]=word: в нём будет список слов с началом и концом в секундах. Из этого списка собираются субтитры, поиск по записи и переход к нужному месту разговора.
Какой файл можно отправить?
WAV, MP3, FLAC, MP4 и M4A, OGG или WebM, до 25 МБ за запрос. Сырой звук без заголовка не подойдёт: по нему нельзя заранее узнать длительность, а от неё зависит цена. Длинную запись режь на куски по 20–30 минут.
Разделяет ли Grok STT речь разных людей?
У xAI разметка говорящих включается отдельным параметром diarize. Наш API для этой модели принимает стандартные поля формата OpenAI и этот параметр пока не передаёт. Если она нужна, посмотри Soniox STT v6 или раздели голоса по дорожкам ещё при записи.
Сколько запросов можно отправлять?
До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
Нужны ли VPN и зарубежная карта для Grok STT?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Что будет, если запрос закончится ошибкой?
Запрос, который закончился ошибкой нейросети, денег не стоит: удержание на время запроса снимается целиком. Цену удачного ответа видно в рублях сразу.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: docs.x.ai