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 секундам | 0,19 ₽ 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 записи | Около 11,40 ₽ |
|---|---|
| Голосовые сообщения в боте: тысяча голосовых по полминуты | Около 95,00 ₽ |
| Субтитры по времени слов: ролик на 12 минут | Около 2,28 ₽ |
| Записи звонков для отдела качества: сто звонков по 6 минут | Около 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, напримерru. - Время каждого слова: в ответе
verbose_jsonприходит 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
| Разработчик | xAI (Grok) |
|---|---|
| Вид | Распознавание речи |
| Файл | mp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ |
| Звук за раз | до 2 ч |
| Ответ | json, text, srt, vtt, verbose_json |
| id для запроса | x-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
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Grok STT — эта модель | 0,19 ₽ / мин | до 2 ч звука | расшифровка встреч, звонков и голосовых на русском и ещё 37 языках со временем слов |
| Grok TTS — xAI (Grok) | 1,68 ₽ / 1000 знаков | до 4 096 знаков | живая озвучка со смехом, паузами и шёпотом по тегам в тексте, на русском и ещё 19 языках |
| Soniox STT v6 — Soniox | 0,19 ₽ / мин | до 2 ч звука | фоновая расшифровка записей на 60+ языках, когда ответ может подождать |
| Qwen3-ASR Flash — Qwen (Alibaba) | 0,24 ₽ / мин | до 2 ч звука | короткие записи до 5 минут с терминами, в том числе на китайском |
| Cartesia Ink Whisper — Cartesia | 0,26 ₽ / мин | до 2 ч звука | массовая расшифровка голосовых сообщений, заметок и телефонных записей |
| AssemblyAI Universal-2 — AssemblyAI | 0,28 ₽ / мин | до 2 ч звука | пакетная 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_jsonсtimestamp_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