---
title: "Grok STT: распознавание речи по API"
description: "Расшифровка записей на 38 языках с русским: язык определяется по звуку, время каждого слова — в ответе. Файлы до 25 МБ. Цена — 0,19 ₽ за минуту звука."
url: https://veselo.ai/models/x-ai/grok-stt
updated: 2026-11-16T14:39:32.641Z
---

# 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: 16 ноября 2026 г.

[Получить ключ](https://veselo.ai/developer) Попробовать [Документация](https://veselo.ai/docs/transcriptions)

## 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](https://veselo.ai/docs/pricing)

### 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](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text)).
- 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

| 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](https://veselo.ai/docs/sdks)

[Документация раздела](https://veselo.ai/docs/transcriptions)

## 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](https://veselo.ai/models/x-ai/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](https://veselo.ai/models/soniox/stt-async-v6) — Soniox | 0,19 ₽ / мин | до 2 ч звука | фоновая расшифровка записей на 60+ языках, когда ответ может подождать |
| [Qwen3-ASR Flash](https://veselo.ai/models/qwen/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](https://veselo.ai/models/cartesia/ink-whisper) — Cartesia | 0,26 ₽ / мин | до 2 ч звука | массовая расшифровка голосовых сообщений, заметок и телефонных записей |
| [AssemblyAI Universal-2](https://veselo.ai/models/assemblyai/universal-2) — AssemblyAI | 0,28 ₽ / мин | до 2 ч звука | пакетная расшифровка на многих языках, русский — с высокой точностью |

- [**Soniox STT v6**](https://veselo.ai/models/soniox/stt-async-v6) — если нужна разметка говорящих: у Soniox она есть, а языков больше 60.
- [**Qwen3-ASR Flash**](https://veselo.ai/models/qwen/qwen3-asr-flash) — если нужны подсказки контекста: она принимает их вместе с записью, русский тоже распознаёт.
- [**Grok TTS**](https://veselo.ai/models/x-ai/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](https://veselo.ai/docs/privacy)

## 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](https://veselo.ai/models/soniox/stt-async-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

- [Все модели: распознавание речи](https://veselo.ai/models/raspoznavanie-rechi-api)
- [Grok API: модели xAI](https://veselo.ai/models/grok)
- [Распознавание речи по API за рубли — документация API](https://veselo.ai/docs/transcriptions)
- [Grok 4.7](https://veselo.ai/models/x-ai/grok-4.7)
- [Grok 4.6](https://veselo.ai/models/x-ai/grok-4.6)
- [Grok 4.5](https://veselo.ai/models/x-ai/grok-4.5)
- [Grok 4.3](https://veselo.ai/models/x-ai/grok-4.3)
- [Все модели и цены](https://veselo.ai/models)

Факты сверены 16 ноября 2026 по документации: [docs.x.ai](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text)
