Converter áudio em texto com Grok 2.0 custa $0.10/h no modo batch

O que mudou ao converter áudio em texto

A xAI lançou o Grok Voice Transcribe 2.0 em 18 de setembro de 2026. Ele substitui o Grok Voice Transcribe 1.0 como modelo atual de conversão de fala em texto, ou seja, transforma uma fala gravada ou ao vivo em texto para uso em outro produto ou fluxo de trabalho.

Os dois modos de operação são simples. No batch, um arquivo ou uma URL de áudio é enviado a um endpoint REST depois que a gravação já existe. No streaming, o áudio segue por WebSocket enquanto a pessoa ainda fala, permitindo que legendas, respostas de agentes ou assistência em tempo real reajam antes do fim da chamada.

A página de lançamento afirma que integrações existentes podem receber o modelo 2.0 sem nenhuma mudança no código. Parece uma transição indolor, mas é justamente por isso que as equipes de operação precisam ficar atentas. Quando a requisição não informa um modelo, é o fornecedor que decide quando a saída muda.

A tabela de preços não mudou. O batch permanece em $0.10 por hora de áudio. O streaming continua em $0.20 por hora de áudio. A diarização, que atribui as falas aos respectivos locutores, os timestamps por palavra e o direcionamento por termos-chave estão incluídos nesses valores.

A conta da API fica igual. A do fluxo pode mudar

Na camada da API, a conta é simples:

O streaming custa o dobro do batch. Em 1,000 horas de áudio, a diferença é de $100. Esse valor se justifica quando esperar o fim da gravação comprometeria o produto, como acontece com legendas ao vivo, assistência durante chamadas ou um agente de voz decidindo o que responder em seguida.

Se o áudio já está armazenado, o streaming por si só não torna a transcrição mais útil. Um arquivo de mídia, um acervo de podcasts, entrevistas gravadas ou uma rotina noturna de revisão de chamadas normalmente deve continuar no batch e aproveitar o preço menor.

A API é apenas uma linha do orçamento. A equação operacional mais útil é:

Custo total da transcrição = gasto com a API de áudio + custo da revisão humana + retrabalho posterior

O primeiro termo já é conhecido pela tabela de preços. O segundo depende do tempo do revisor e de seu custo total por hora. O terceiro aparece quando alterações em palavras, identificação dos locutores, timestamps ou números formatados afetam um arquivo de legenda, uma nota de qualidade, um registro no CRM, um índice de busca ou uma ação automatizada.

Essa é a consequência prática do lançamento. O gasto com áudio pode permanecer exatamente igual enquanto o custo total para chegar a uma transcrição utilizável sobe ou cai. Até que áudios representativos sejam testados, a redução no tempo de correção é apenas uma possibilidade — não uma economia que possa entrar na previsão financeira.

Quem pode usar o modelo — e o que muda em cada caso

Uma liderança de suporte com chamadas gravadas

Uma equipe de suporte pode processar chamadas gravadas em batch por $0.10 por hora de áudio, ativar a diarização e fornecer nomes de produtos como termos-chave. O custo direto da API continua previsível. A questão da migração é saber se o 2.0 reduz ou aumenta os minutos que um revisor gasta corrigindo nomes, dados de contas e identificação dos locutores.

O ganho não está em uma métrica abstrata de precisão. Está em reduzir a fila de correção sem criar mais erros nas etapas seguintes. Meça os dois lados antes de mudar a versão fixada em produção.

Uma equipe de produto com um agente de voz ao vivo

Para um agente de voz, esperar a chamada terminar anula a proposta do produto. O streaming a $0.20 por hora de áudio justifica o preço maior porque a transcrição faz parte do ciclo de controle em tempo real. A equipe deve comparar como os dois modelos lidam com pausas, números, interrupções e termos-chave e, depois, examinar as ações disparadas por essas transcrições.

Uma transcrição pode parecer mais limpa para uma pessoa e ainda assim quebrar um fluxo se um valor formatado mudar uma consulta ou se o limite de um turno fizer o agente responder cedo demais. O teste de aceitação precisa incluir a ação posterior, e não apenas o texto.

Uma operação de mídia que entrega legendas

Uma agência que processa entrevistas ou vídeos de clientes deve usar o batch, manter os timestamps na comparação e testar os mesmos nomes difíceis e as mesmas falas sobrepostas com as duas versões fixadas. O ganho deve ser medido pelo tempo de correção e pela qualidade da entrega das legendas, não pelo benchmark agregado do fornecedor.

Uma API é um componente, não um ambiente de edição. Se a equipe precisa de um editor no navegador, bot de reunião, fluxo para legendas ou escalonamento para revisão humana, consulte o comparativo completo de ferramentas de transcrição.

Uma equipe de suporte SaaS multilíngue

Segundo a xAI, o 2.0 é duas vezes mais preciso que o 1.0 no conjunto de avaliações da empresa. Ela também informa que a taxa de erro por palavra em seu próprio conjunto multilíngue de frases curtas caiu de 20.6% para 6.8%. São comparações conduzidas pelo fornecedor, não testes realizados para este artigo.

Uma equipe de suporte multilíngue deve usar amostras que reflitam sua combinação real de idiomas, sotaques, linhas telefônicas, nomes e alternância entre línguas. Um ganho agregado não mostra se houve melhora nos idiomas que concentram a maior parte dos chamados nem se o tempo de correção mudou o suficiente para afetar o dimensionamento da equipe.

Fixe o modelo e só então teste a saída

A chamada mínima em batch é curta. Este exemplo em cURL reproduz a requisição documentada pela xAI, com o modelo 2.0 definido explicitamente:

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

A linha decisiva é o campo do modelo. Ao fixar explicitamente grok-voice-transcribe-2.0, a escolha fica sob seu controle. Para criar uma referência temporária, a documentação atual ainda permite grok-voice-transcribe-1.0. Em uma requisição multipart, mantenha o campo do arquivo por último, pois a xAI alerta que campos de opção posteriores podem ser ignorados.

Use as mesmas configurações nos dois lados da verificação de migração. Mudar ao mesmo tempo o modelo, a diarização, a formatação, o tratamento de palavras de preenchimento e os termos-chave impede identificar qual alteração causou a diferença na saída.

Sem promessas além dos dados

O preço está confirmado. A economia de trabalho, não.

As alegações de precisão da xAI são bons motivos para testar, mas não servem como modelo de dimensionamento da equipe. Combinações diferentes de áudio podem gerar resultados distintos, e uma taxa de erro por palavra menor não significa automaticamente menos minutos de revisão ou uma automação mais segura.

O texto sobre a transição também avançou mais rápido que o anúncio. A página de 18 de setembro diz que a mudança do padrão acontecerá em breve, enquanto a documentação atual já mostra o 2.0 como padrão quando o modelo é omitido. Essa divergência reforça a necessidade de definir o modelo explicitamente em produção, em vez de depender de um alias sujeito a mudanças.

Por fim, os preços de $0.10 e $0.20 cobrem o processamento do áudio. Eles não incluem a fila de revisão, o trabalho de integração, o armazenamento, novas tentativas nem o custo de uma ação posterior incorreta. Mantenha essas linhas separadas para que uma API barata não esconda um fluxo caro.

O que fazer agora

Aja nesta semana se alguma requisição de speech-to-text da xAI omite o modelo ou se a produção está fixada no 1.0. Faça o inventário das chamadas, execute o conjunto representativo e escolha explicitamente a versão de produção.

Use streaming somente quando receber a transcrição durante a fala mudar o resultado do produto. Para gravações que podem esperar, use batch: a diarização, os timestamps e os termos-chave incluídos custam metade na camada de áudio.

Espere se a empresa ainda está apenas avaliando fornecedores e nenhuma transcrição da xAI alimenta um fluxo ativo. Mantenha o 2.0 entre as opções, mas compare o custo total de correção e das etapas posteriores com seus próprios áudios antes da migração.

Nada muda para você se o sistema não usa o speech-to-text da xAI ou se já fixa o 2.0 e teve a saída validada. Uma integração fixada no 1.0 continua estável por enquanto, mas isso não é motivo para adiar o teste de migração, pois a xAI já anunciou a descontinuação.

O próximo passo para segunda-feira é direto: selecione áudios representativos, execute o 1.0 e o 2.0 com as mesmas configurações, meça o tempo de correção e as diferenças nas etapas posteriores e fixe o modelo aprovado. Com a tabela de preços inalterada, o orçamento da API é simples. A verificação da transcrição protege o fluxo que existe ao redor dela.

Para acompanhar análises práticas quando um preço ou fluxo de IA realmente muda, assine a newsletter.