Voz a textoAcerca de Grok STT
El reconocimiento de voz Grok de xAI, disponible para todos desde abril de 2026: envía una URL de audio y recibe la transcripción como texto. 25 idiomas con detección automática, una transcripción por canal, términos clave y números escritos con cifras.
Llámalo con el nombre de modelo xai/grok-stt/speech-to-text en POST /jobs/createTask, desde 0,01 créditos por segundo (0,0001 US$). Las cuentas nuevas reciben 30 créditos gratis para que lo pruebes primero en el Playground.
Por ahora esta guía solo está en inglés. →
Parámetros de la petición
| Parámetro | Obligatorio | Descripción |
|---|---|---|
audio_url | Sí | La voz o la música que se usará. |
filler_words | No | Keep filler words such as um and uh in the transcript. Por defecto: false |
keyterms | No | Names and terms to spell the way you list them, up to 100. Por defecto: [] |
language | No | El idioma de la locución. 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 | No | Transcribe each channel separately, one line per channel. Turn on when speakers are on separate channels. Por defecto: false |
text_normalization | No | Write spoken numbers, prices, dates and units in digits. Needs language. Por defecto: false |
Precios
Los precios están en créditos, los mismos que usas en la web (1 crédito = 0,01 $). El importe se retiene cuando se acepta la tarea y se liquida al coste real cuando termina; las tareas fallidas se reembolsan.
| Opción | Créditos por segundo | ≈ USD |
|---|---|---|
| Estándar | 0,01 | 0,0001 US$ |
Para saber la cifra exacta antes de ejecutar, envía el mismo cuerpo a POST /jobs/quote.
Inicio rápido de la API
Llama a la API de Grok STT en tres pasos
- Crea una clave de API. Inicia sesión en PopNow y crea una clave en la consola de la API. Las claves empiezan por sk-popnow- y usan los mismos créditos que el sitio web.
- Envía la solicitud. Haz POST /jobs/createTask con model xai/grok-stt/speech-to-text y un objeto input según la tabla de parámetros. La respuesta devuelve un ID de tarea al instante.
- Obtén el resultado. Consulta GET /jobs/recordInfo con el ID de tarea, o pasa una callBackUrl y te enviamos el resultado ahí. Descarga los enlaces de salida cuando la tarea termine bien.
# 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 $POPNOW_API_KEY"Sustituye el prompt y los enlaces por los tuyos. La pestaña API tiene la referencia de la respuesta, el sondeo y el callback.
Preguntas sobre la API de Grok STT
¿Cuánto cuesta la API de Grok STT?
Grok STT cuesta 0,01 créditos (0,0001 US$) por segundo. Los créditos son los mismos que en la web (1 crédito = 0,01 $), las cuentas nuevas reciben 30 créditos gratis y las tareas fallidas se reembolsan.
¿Cuál es el nombre de modelo de Grok STT en la API?
Pon xai/grok-stt/speech-to-text para Voz a texto en el campo model de POST /jobs/createTask.
¿Qué devuelve?
La transcripción como texto en el resultado de la tarea, más una transcripción estructurada (output.transcript) con el idioma detectado, la duración del audio y cada palabra con su tiempo de inicio y fin en segundos, por canal cuando multichannel está activado. No hay archivo para descargar. No incluye etiquetas de hablante.
¿Puede distinguir a los hablantes?
No por la voz: no se devuelven etiquetas de hablante. Si cada hablante se grabó en un canal distinto, como en muchas grabaciones de llamadas, activa multichannel y cada canal vuelve en su propia línea. Si lo dejas desactivado, un lado puede faltar: en nuestras dos pruebas con un hablante distinto en cada canal, uno de ellos desapareció de la transcripción.
¿Qué audio puedo enviar?
Un MP3 o WAV cargado, o una URL pública a formatos comunes como MP3, WAV, M4A, FLAC, OGG, Opus, AAC, MP4 o MKV, de 1 segundo a 2 horas. No se acepta audio sin procesar y sin encabezado de archivo.
¿Qué límites tiene la API de Grok STT?
Subida máxima: 90 MB; Idiomas: 25. Las peticiones fuera de estos límites se rechazan antes de cobrar nada.
¿Puedo probar Grok STT sin escribir código?
Sí. El Playground ejecuta Grok STT con tus créditos de PopNow, no necesita clave API y te muestra el código de cada generación.