Sprache zu TextÜber Grok STT
Die Spracherkennung Grok STT von xAI, seit April 2026 allgemein verfügbar: Senden Sie eine Audio-URL und erhalten Sie das Transkript als Text zurück. 25 Sprachen mit automatischer Erkennung, getrennte Transkripte pro Kanal, Hinweise auf Schlüsselbegriffe und Zahlen in Schriftform.
Du rufst es mit dem Modellnamen xai/grok-stt/speech-to-text über POST /jobs/createTask auf, ab 0,01 Credits pro Sekunde (0,0001 $). Neue Konten bekommen 30 kostenlose Credits, damit du es zuerst im Playground testen kannst.
Diese Anleitung gibt es vorerst nur auf Englisch. →
Anfrageparameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
audio_url | Ja | Die Stimme oder Musik, die verwendet wird. |
filler_words | Nein | Keep filler words such as um and uh in the transcript. Standardwert: false |
keyterms | Nein | Names and terms to spell the way you list them, up to 100. Standardwert: [] |
language | Nein | Die Sprache des Sprechers. ar · cs · da · nl · en · fil · fr · de · hi · id · it · ja · ko · mk · ms · fa · pl · pt · ro · ru · es · sv · th · tr · vi |
multichannel | Nein | Transcribe each channel separately, one line per channel. Turn on when speakers are on separate channels. Standardwert: false |
text_normalization | Nein | Write spoken numbers, prices, dates and units in digits. Needs language. Standardwert: false |
Preise
Die Preise sind in Credits angegeben, denselben Credits, die du auf der Website nutzt (1 Credit = 0,01 $). Beim Annehmen der Aufgabe wird der Betrag reserviert und nach Abschluss auf die tatsächlichen Kosten abgerechnet; fehlgeschlagene Aufgaben werden erstattet.
| Option | Credits pro Sekunde | ≈ USD |
|---|---|---|
| Standard | 0,01 | 0,0001 $ |
Für eine exakte Zahl vor dem Start sendest du denselben Body an POST /jobs/quote.
API-Schnellstart
Die Grok STT API in drei Schritten aufrufen
- API-Schlüssel erstellen. Melde dich bei PopNow an und erstelle in der API-Konsole einen Schlüssel. Schlüssel beginnen mit sk-popnow- und nutzen dieselben Credits wie die Website.
- Anfrage senden. Sende POST /jobs/createTask mit model xai/grok-stt/speech-to-text und einem input-Objekt nach der Parametertabelle. Die Antwort enthält sofort eine Task-ID.
- Ergebnis abholen. Frage GET /jobs/recordInfo mit der Task-ID ab oder gib eine callBackUrl mit, dann schicken wir das Ergebnis dorthin. Lade die Ausgabelinks herunter, sobald die Aufgabe erfolgreich ist.
# 1. Create the task. Keep the Idempotency-Key if you retry after a network error.
export IDEMPOTENCY_KEY="$(uuidgen)"
curl -X POST https://api.popnow.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $POPNOW_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-stt/speech-to-text",
"input": {
"audio_url": "https://media.popnow.ai/shortfilm/voices/Aoede-46e4c427.mp3"
}
}'
# 2. Copy data.taskId from the response, then poll until state is succeeded, failed, canceled or expired.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.popnow.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $POPNOW_API_KEY"Ersetze den Prompt und alle Links durch deine eigenen. Im Tab „API“ findest du die Referenz zu Antwort, Polling und Callback.
Fragen zur Grok STT API
Was kostet die Grok STT API?
Grok STT kostet 0,01 Credits (0,0001 $) pro Sekunde. Die Credits sind dieselben wie auf der Website (1 Credit = 0,01 $), neue Konten bekommen 30 Gratis-Credits, und fehlgeschlagene Tasks werden erstattet.
Wie lautet der Modellname von Grok STT in der API?
Trag xai/grok-stt/speech-to-text für Sprache zu Text im Feld model von POST /jobs/createTask ein.
Was kommt zurück?
Das Transkript als Text im Aufgabenergebnis, dazu ein strukturiertes Transkript (output.transcript) mit der erkannten Sprache, der Audiolänge und jedem Wort samt Start- und Endzeit in Sekunden – pro Kanal, wenn multichannel aktiviert ist. Es gibt keine Datei zum Herunterladen. Sprecherkennzeichnungen sind nicht enthalten.
Kann es Sprecher auseinanderhalten?
Nicht an der Stimme: Sprecherkennzeichnungen werden nicht zurückgegeben. Wurde jeder Sprecher auf einem eigenen Kanal aufgenommen, wie bei vielen Gesprächsaufnahmen, aktivieren Sie multichannel, und jeder Kanal kommt in einer eigenen Zeile zurück. Bleibt es aus, kann eine Seite fehlen: In unseren zwei Tests mit einem anderen Sprecher auf jedem Kanal fiel jeweils einer aus dem Transkript heraus.
Welches Audio kann ich senden?
Ein hochgeladenes MP3 oder WAV oder eine öffentliche URL zu gängigen Formaten wie MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 oder MKV, von 1 Sekunde bis 2 Stunden Länge. Rohes Audio ohne Dateikopf wird nicht angenommen.
Welche Limits hat die Grok STT API?
Größter Upload: 90 MB; Sprachen: 25. Anfragen außerhalb dieser Grenzen werden abgelehnt, bevor etwas abgebucht wird.
Kann ich Grok STT testen, ohne Code zu schreiben?
Ja. Der Playground führt Grok STT mit deinen PopNow-Credits aus, braucht keinen API-Schlüssel und zeigt dir zu jedem Lauf den passenden Code.