xAI تطلق واجهتي برمجة الصوت Grok لتحويل الكلام والنص

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١٩ أبريل ٢٠٢٦

أطلقت شركة xAI، التي أسسها إيلون ماسك، واجهتي برمجة مستقلة للصوت، وهما واجهة تحويل الكلام إلى نص (STT) وواجهة تحويل النص إلى كلام (TTS). تعتمد كلا الواجهتين على نفس البنية التحتية التي تدعم نظام Grok Voice في التطبيقات المحمولة، ومركبات تسلا، ودعم العملاء عبر Starlink. يهدف هذا الإطلاق إلى دخول xAI بقوة في سوق واجهات برمجة التطبيقات الصوتية الذي يضم شركات مثل ElevenLabs وDeepgram وAssemblyAI.

ما هي واجهة Grok لتحويل الكلام إلى نص؟

تعتبر تقنية تحويل الكلام إلى نص هي الوسيلة التي تحول الصوت المنطوق إلى نص مكتوب. تُعد واجهة STT أداة أساسية للمطورين الذين يبنون أدوات لتدوين الاجتماعات، وعملاء الصوت، وتحليل مراكز الاتصال، أو ميزات الوصول. بدلاً من تطوير هذا النظام من الصفر، يمكن للمطورين الاتصال بنقطة النهاية، وإرسال الصوت، واستلام نص منظم في المقابل.

الآن، أصبحت واجهة Grok STT متاحة بشكل عام، حيث تقدم إمكانية التدوين عبر 25 لغة مع وضعين: الدفعة والبث المباشر. تم تصميم وضع الدفعة لمعالجة ملفات الصوت المسجلة مسبقًا، بينما يتيح وضع البث المباشر التدوين في الوقت الفعلي أثناء التقاط الصوت. تم الاحتفاظ بأسعار الاستخدام بسيطة، حيث تبلغ تكلفة تحويل الكلام إلى نص 0.10 دولار لكل ساعة في وضع الدفعة و0.20 دولار لكل ساعة في وضع البث.

ميزات واجهة Grok لتحويل الكلام إلى نص

تشمل واجهة Grok STT توقيت الكلمات على مستوى الكلمة، وتفريق المتحدثين، ودعم قنوات متعددة، بالإضافة إلى معالجة نصوص عكسية ذكية. هذه الميزات تتيح معالجة الأرقام، والتواريخ، والعملات بطريقة صحيحة. كما تقبل الواجهة 12 تنسيقًا صوتيًا، بما في ذلك تسعة تنسيقات حاوية (WAV، MP3، OGG، وغيرها) وثلاثة تنسيقات خام (PCM، µ-law، A-law)، مع حد أقصى لحجم الملف يبلغ 500 ميجابايت لكل طلب.

تُعتبر عملية تفريق المتحدثين هي الوسيلة التي تفصل الصوت حسب المتحدثين، مما يجيب على سؤال “من قال ماذا” وهذا أمر بالغ الأهمية لتسجيلات متعددة المتحدثين مثل الاجتماعات والمقابلات.

الأداء والنتائج

يدعي فريق أبحاث xAI دقة عالية في التعرف على الكيانات في المكالمات الهاتفية، حيث سجلت واجهة Grok STT معدل خطأ بنسبة 5.0%، متفوقة على ElevenLabs (12.0%) وDeepgram (13.5%) وAssemblyAI (21.3%). بالنسبة لتدوين الفيديو والبودكاست، تساوت Grok وElevenLabs عند معدل خطأ يبلغ 2.4%، بينما سجلت Deepgram وAssemblyAI 3.0% و3.2% على التوالي.

ما هي واجهة Grok لتحويل النص إلى كلام؟

تحول واجهة تحويل النص إلى كلام النص المكتوب إلى صوت منطوق. يستخدم المطورون واجهات TTS لتشغيل المساعدات الصوتية، وميزات القراءة بصوت عالٍ، وتوليد البودكاست، وأنظمة الاستجابة الصوتية التفاعلية، وأدوات الوصول. توفر واجهة Grok TTS توليد صوت طبيعي وسريع مع تحكم مفصل عبر علامات الصوت، وتُسعر بـ 4.20 دولار لكل مليون حرف.

تقبل الواجهة حتى 15,000 حرف لكل طلب REST، وللمحتوى الأطول، يتوفر نقطة نهاية بث WebSocket لا تحتوي على حد لطول النص وتبدأ في إرجاع الصوت قبل معالجة الإدخال بالكامل.

ميزات واجهة Grok لتحويل النص إلى كلام

تدعم واجهة TTS 20 لغة وخمس أصوات مميزة: Ara، Eve، Leo، Rex، وSal، مع تعيين Eve كالصوت الافتراضي. بالإضافة إلى اختيار الصوت، يمكن للمطورين إدخال علامات صوتية داخلية وخارجية للتحكم في طريقة الإلقاء، مثل علامات [laugh] و[sigh]، مما يمكّن المطورين من إنشاء إلقاء جذاب وواقعي دون الحاجة إلى ترميز معقد.

خلاصة

أطلقت xAI واجهتي برمجة الصوت المستقلتين، Grok Speech-to-Text وText-to-Speech، المبنيتين على نفس البنية التحتية التي تخدم ملايين المستخدمين عبر تطبيقات Grok المحمولة ومركبات تسلا ودعم العملاء عبر Starlink. تقدم واجهة Grok STT إمكانية التدوين في الوقت الحقيقي وعبر الدفعات عبر 25 لغة مع ميزات تفريق المتحدثين وتوقيت الكلمات، بينما تدعم واجهة TTS خمسة أصوات تعبيرية عبر 20 لغة، مما يتيح تحكمًا دقيقًا في الإلقاء.