تحويل الصوت إلى نص مع Grok Voice Transcribe 2.0: السعر ثابت والترحيل يحتاج اختباراً

ما الذي تغيّر فعلاً في تحويل الصوت إلى نص؟

أطلقت xAI نموذج Grok Voice Transcribe 2.0 في 18 سبتمبر 2026. وهو يحل محل Grok Voice Transcribe 1.0 بوصفه النموذج الحالي لتحويل الكلام إلى نص، أي إنه يحوّل الكلام المسجل أو المباشر إلى نص يمكن لمنتج آخر أو سير عمل آخر استخدامه.

وضعا التشغيل واضحان. في وضع الدفعات، يُرسل ملف أو رابط صوتي إلى نقطة نهاية REST بعد اكتمال التسجيل. أما وضع البث، فيرسل الصوت عبر WebSocket بينما لا يزال الشخص يتحدث، كي تتمكن التسميات التوضيحية أو ردود الوكيل أو المساعدة المباشرة من التفاعل قبل انتهاء المكالمة.

توضح صفحة الإصدار أن عمليات التكامل الحالية قد تتلقى نموذج 2.0 من دون أي تعديل في الشيفرة. يبدو ذلك سهلاً، لكنه السبب نفسه الذي يستدعي انتباه فرق التشغيل. فعندما لا يحدد الطلب نموذجاً بعينه، يصبح توقيت تغيّر المخرجات بيد المزوّد.

لم تتغير قائمة الأسعار. بقيت الدفعات عند $0.10 لكل ساعة صوت، والبث عند $0.20 لكل ساعة صوت. وتشمل هذه الأسعار فصل المتحدثين، الذي ينسب الكلمات إلى أصحابها، إلى جانب الطوابع الزمنية على مستوى الكلمة وترجيح المصطلحات المهمة.

فاتورة API ثابتة، لكن تكلفة سير العمل قد تتغيّر

على مستوى API، الحساب مباشر:

يكلف البث ضعف سعر الدفعات. وعلى امتداد 1,000 ساعة صوت، تبلغ الزيادة $100. وتكون هذه الزيادة مبررة عندما يؤدي انتظار التسجيل المكتمل إلى تعطيل المنتج، كما في التسميات التوضيحية المباشرة، أو المساعدة الفورية أثناء المكالمات، أو وكيل صوتي يقرر رده التالي.

إذا كان الصوت مخزناً بالفعل، فلن يجعل البث النص أكثر فائدة بحد ذاته. لذلك ينبغي عادةً لأرشيف إعلامي أو حلقات بودكاست متراكمة أو مقابلة مسجلة أو مهمة ليلية لمراجعة المكالمات أن تبقى على وضع الدفعات وتستفيد من السعر الأقل.

تكلفة API ليست سوى بند واحد في الميزانية. والمعادلة التشغيلية المفيدة هي:

إجمالي تكلفة التفريغ = إنفاق API الصوتية + تكلفة التصحيح البشري + تكلفة إعادة العمل في المراحل اللاحقة

البند الأول معروف من قائمة الأسعار. أما الثاني فيعتمد على وقت المراجع وتكلفته الإجمالية لكل ساعة. ويظهر الثالث عندما تؤدي تغييرات الكلمات أو تسميات المتحدثين أو الطوابع الزمنية أو تنسيق الأرقام إلى تعديل ملف تسميات توضيحية أو تقييم جودة أو ملاحظة في CRM أو فهرس بحث أو إجراء آلي.

هذه هي النتيجة العملية لهذا الإصدار. قد يبقى الإنفاق على الصوت ثابتاً تماماً، بينما ترتفع أو تنخفض التكلفة الإجمالية لإنتاج نص قابل للاستخدام. وإلى أن تُختبر عينة صوتية ممثلة، يظل انخفاض وقت التصحيح احتمالاً، لا وفراً يمكن إدراجه في التوقعات.

من يستطيع استخدامه، وما الذي سيتغيّر لكل فريق؟

قائد عمليات دعم عملاء لديه مكالمات مسجلة

يستطيع فريق الدعم إرسال المكالمات المسجلة في وضع الدفعات بسعر $0.10 لكل ساعة صوت، وتفعيل فصل المتحدثين، وتمرير أسماء المنتجات كمصطلحات مهمة. تبقى تكلفة API المباشرة قابلة للتوقع. لكن سؤال الترحيل هو ما إذا كان 2.0 يقلل أو يزيد الدقائق التي يقضيها المراجع في تصحيح الأسماء وبيانات الحساب وإسناد الكلام إلى المتحدثين.

العائد الحقيقي ليس درجة دقة مجردة، بل قائمة تصحيحات أقصر من دون زيادة الأخطاء في المراحل اللاحقة. قِس الأمرين قبل تغيير النموذج المثبت في بيئة الإنتاج.

فريق منتج يشغّل وكيلاً صوتياً مباشراً

بالنسبة إلى الوكيل الصوتي، يفقد المنتج غايته إذا انتظر حتى نهاية المكالمة. يستحق البث بسعر $0.20 لكل ساعة صوت تكلفته الأعلى لأن النص جزء من حلقة التحكم المباشرة. وعلى الفريق مقارنة كيفية تعامل النموذجين مع فترات التوقف والأرقام والمقاطعات والمصطلحات المهمة، ثم مراجعة الإجراءات التي أطلقتها تلك النصوص.

قد يبدو النص أنظف للقارئ، ومع ذلك يعطل سير العمل إذا غيّرت قيمة منسقة واحدة نتيجة بحث، أو جعل حد واحد بين الأدوار الوكيل يرد مبكراً. لذلك يجب أن يشمل اختبار القبول الإجراء اللاحق، لا النص وحده.

مسؤول عمليات إعلامية يسلّم التسميات التوضيحية

ينبغي لوكالة تعالج مقابلات أو مقاطع فيديو للعملاء أن تستخدم وضع الدفعات، وأن تُبقي مخرجات الطوابع الزمنية ضمن المقارنة، وأن تختبر الأسماء الصعبة نفسها وتداخل أصوات المتحدثين تحت تثبيت كل نموذج. ويُقاس العائد بوقت التصحيح وجودة تسليم التسميات التوضيحية، لا بالمقياس الإجمالي الذي ينشره المزوّد.

واجهة API ليست سوى مكوّن، وليست مساحة عمل للتحرير. إذا كان الفريق يحتاج إلى محرر يعمل في المتصفح، أو روبوت اجتماعات، أو سير عمل للترجمة النصية، أو مسار تصعيد إلى مراجع بشري، فاستخدم بدلاً من ذلك مقارنة أدوات التفريغ الصوتي الجاهزة.

فريق دعم SaaS متعدد اللغات

تقول xAI إن دقة 2.0 تبلغ ضعفي دقة 1.0 عبر تقييماتها. وتفيد أيضاً بأن معدل خطأ الكلمات في مجموعة العبارات القصيرة متعددة اللغات الخاصة بها انخفض من 20.6% إلى 6.8%. هذه مقارنات أجراها المزوّد، وليست اختبارات أُجريت من أجل هذا المقال.

ينبغي لفريق الدعم متعدد اللغات أن يأخذ عينة من مزيج اللغات واللهجات وخطوط الهاتف والأسماء والتبديل بين اللغات في بيئته الفعلية. فالتحسن الإجمالي لا يكشف ما إذا كانت اللغات التي تمثل معظم حجم التذاكر قد تحسنت، ولا ما إذا تغيّر وقت التصحيح بما يكفي للتأثير في الاحتياج إلى الموظفين.

ثبّت النموذج أولاً، ثم اختبر المخرجات

استدعاء الدفعات الأساسي قصير. يعرض مثال cURL التالي طلب xAI الموثق مع تسمية نموذج 2.0 صراحة:

curl -X POST https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-voice-transcribe-2.0 \
  -F file=@audio.mp3

السطر المهم هو حقل النموذج. يضع التثبيت الصريح على grok-voice-transcribe-2.0 الاختيار بين يديك. ولإنشاء خط أساس مؤقت، ما زالت الوثائق الحالية تسمح بـ grok-voice-transcribe-1.0. أبقِ حقل الملف في نهاية طلب multipart، لأن xAI تحذر من احتمال تجاهل حقول الخيارات التي تأتي بعده.

استخدم إعدادات الطلب نفسها على جانبي اختبار الترحيل. فإذا غيّرت النموذج وفصل المتحدثين والتنسيق والتعامل مع الكلمات الحشوية والمصطلحات المهمة دفعة واحدة، فلن تتمكن من تحديد التغيير الذي سبّب اختلاف المخرجات.

ما ينبغي قوله بصراحة

السعر مؤكد، أما وفر العمل البشري فليس كذلك.

تمنح ادعاءات الدقة التي تنشرها xAI سبباً وجيهاً للاختبار، لكنها لا تصلح كنموذج للتوظيف. قد تؤدي خلطات الصوت المختلفة إلى نتائج مختلفة، كما أن انخفاض معدل خطأ الكلمات لا يعني تلقائياً تقليل دقائق المراجعة أو جعل الأتمتة أكثر أماناً.

كذلك تغيّرت صياغة الانتقال أسرع من الإعلان نفسه. تقول صفحة 18 سبتمبر إن تغيير النموذج الافتراضي سيحدث قريباً، بينما تعرض الوثائق الحالية 2.0 بالفعل كخيار افتراضي عند حذف النموذج. وهذا التعارض سبب إضافي لتحديد النموذج صراحة في الإنتاج بدلاً من الاعتماد على اسم مستعار متحرك.

وأخيراً، يغطي سعرا $0.10 و$0.20 معالجة الصوت. ولا يشملان قائمة المراجعة أو عمل التكامل أو التخزين أو إعادة المحاولة أو تكلفة إجراء لاحق خاطئ. افصل هذه البنود كي لا تخفي API رخيصة سير عمل مكلفاً.

ماذا تفعل الآن؟

تحرّك هذا الأسبوع إذا كان أي طلب لتحويل الكلام إلى نص لدى xAI يحذف النموذج، أو إذا كانت بيئة الإنتاج مثبتة على 1.0. احصر الاستدعاءات، وشغّل المجموعة الممثلة، واختر نموذجاً صريحاً لبيئة الإنتاج.

استخدم البث فقط عندما يؤدي وصول النص أثناء الكلام إلى تغيير نتيجة المنتج. واستخدم الدفعات للتسجيلات التي يمكنها الانتظار، لأن فصل المتحدثين والطوابع الزمنية وخيارات المصطلحات المهمة المشمولة تكلف نصف السعر على مستوى الصوت.

انتظر إذا كنت لا تزال تقيّم المزوّدين ولا يوجد نص من xAI يغذي سير عمل مباشراً. ضع 2.0 ضمن القائمة المختصرة، لكن قارن إجمالي تكلفة التصحيح والمراحل اللاحقة على صوتك أنت قبل الترحيل.

لن تتأثر إذا كان نظامك لا يستخدم خدمة تحويل الكلام إلى نص من xAI، أو إذا كنت قد ثبّت 2.0 واختبرت مخرجاته بالفعل. ويظل التكامل المثبت على 1.0 مستقراً في الوقت الحالي، لكن ذلك ليس سبباً لتأجيل اختبار الترحيل، لأن xAI أعلنت بالفعل بدء إهماله تدريجياً.

خطوتك يوم الاثنين بسيطة: خذ عينة صوتية ممثلة، وشغّل 1.0 و2.0 بالإعدادات نفسها، وقِس وقت التصحيح والفروق في المراحل اللاحقة، ثم ثبّت النموذج الذي ينجح. تجعل قائمة الأسعار الثابتة ميزانية API سهلة، بينما يحمي فحص النص سير العمل المحيط بها.

للحصول على تحليل عملي واحد عندما يتغيّر بالفعل سعر أداة AI أو سير عملها، اشترك في النشرة البريدية.