xAI تطلق واجهتي Grok API منفصلتين للتعرّف على الكلام وتوليده لمطوّري المؤسسات

أطلقت xAI واجهتين برمجيتين منفصلتين للتعرّف على الكلام وتوليده، وحوّلت بذلك الوظائف الصوتية في Grok من منتج داخلي إلى خدمة بنية تحتية مستقلة للمطوّرين. وتشمل الخدمتان Speech-to-Text وText-to-Speech، وتعملان على القاعدة التقنية نفسها المستخدمة أصلًا في تطبيق Grok للجوّال وسيارات Tesla وخدمة دعم Starlink. وبالنسبة إلى xAI، ليست هذه مجرد ميزة إضافية في الـAPI، بل دخول مباشر إلى سوق المنصات الصوتية التي ترسّخت فيها شركات مثل ElevenLabs وDeepgram وAssemblyAI.

من الناحية العملية، تضع xAI تركيزها الأساسي على السيناريوهات المؤسسية. فواجهة Speech-to-Text تدعم المعالجة الدفعية والتفريغ الفوري عبر البث المباشر. وبحسب وثائق xAI، يبلغ سعر الوضع الدفعي 0,10 دولار لكل ساعة صوت، وسعر وضع البث 0,20 دولار. وتعمل الخدمة مع أكثر من 25 لغة، ولا تكتفي بتحويل الكلام إلى نص خام، بل تنظّم النتيجة أيضًا: فتكتب الأرقام والتواريخ والعملات وغيرها من العناصر بصيغتها الكتابية السليمة. وهذا أهم مما قد يبدو للوهلة الأولى بالنسبة إلى الفرق التي تبني مراكز اتصال ومساعدين صوتيين وخدمات تدوين محاضر الاجتماعات أو أتمتة الاتصالات الهاتفية، إذ يصبح النص بعد هذه المعالجة أسهل في الفهرسة والتحليل وتمريره إلى سلاسل LLM.

ويتضمن جزء STT كذلك مجموعة ميزات مصمَّمة بوضوح لأحمال الإنتاج (production). فتعلن xAI دعم 12 صيغة صوتية، وملفات بحجم يصل إلى 500 ميغابايت، وطوابع زمنية على مستوى الكلمة، وفصل المتحدثين (diarization)، ووضع القنوات المتعددة (multichannel) لتسجيلات تُعالَج قناةً بقناة. بعبارة أخرى، لم تُصمَّم الخدمة للمذكرات الصوتية البسيطة فحسب، بل للمفاوضات والبودكاست ومكالمات العملاء والتسجيلات المعقدة متعددة القنوات. وتشدد xAI بصورة خاصة على جودة التعرّف على الكيانات في المحادثات الهاتفية، مثل الأسماء والتواريخ وأرقام الحسابات وغيرها من التفاصيل الحساسة التي تُضعف عادةً دقة أنظمة ASR التقليدية.

وأقوى ما في الإعلان هو التموضع السعري والنوعي أمام المنافسين. ففي اختبارات xAI الخاصة، سجّل Grok STT نسبة خطأ قدرها 5,0% في مهمة التعرّف على الكيانات في المحادثات الهاتفية، مقابل 12,0% لدى ElevenLabs و13,5% لدى Deepgram و21,3% لدى AssemblyAI. وعلى العيّنة العامة، تعلن xAI نسبة خطأ في الكلمات (word error rate) قدرها 6,9%. ويجدر التعامل مع هذه الأرقام حاليًا بوصفها ادعاءات داخلية من الشركة نفسها لا تقييمًا مستقلًا للقطاع، لكن الرسالة واضحة حتى بهذه الصورة: تريد xAI أن تبيع لا «واجهة صوتية أخرى»، بل منظومة أدق لاتصالات الأعمال، حيث تكتسب الأسماء والمبالغ والتواريخ والمصطلحات القانونية أهمية حاسمة.

أما الخدمة الثانية، Text-to-Speech، فتكمّل هذه الاستراتيجية، وتُقدَّم أيضًا بوصفها أداة للمطوّرين لا مجرد مؤثر صوتي للعرض. وقد حدّدت xAI سعر التوليد الصوتي بـ4,20 دولار لكل مليون حرف، وأتاحت الوصول إليه عبر REST API التقليدية وعبر WebSocket للتوليد في الزمن الحقيقي. وتتوافر في TTS خمسة أصوات ودعم 20 لغة وعدة صيغ إخراج، من MP3 القياسية إلى PCM وصيغتي mu-law وA-law الهاتفيتين. وأبرز ما يميّزها وسوم الكلام (speech tags): إذ يستطيع المطوّر إدراج علامات تحكّم داخل النص، مثل الهمس أو التوقف أو الضحك أو النبرة المميزة أو إبطاء الإيقاع. وهذا يجعل الـAPI مناسبة للوكلاء الصوتيين وسيناريوهات IVR والمنتجات التعليمية والصيغ الإعلامية، حيث لم يعد السوق يقبل التوليد الجاف «الروبوتي».

ومن المهم كذلك كيف تعيد xAI ترتيب خطها الصوتي. فقد روّجت الشركة سابقًا لـGrok Voice وواجهة الوكيل الصوتي بوصفهما واجهة محادثة متكاملة. أما الآن فهي تبيع STT وTTS كلًّا على حدة، وتتيح للشركات بناء منظومتها الخاصة: التعرّف على تدفق الصوت الوارد في خدمة، وتوليد الردود في خدمة أخرى، مع الإبقاء على منطق LLM لدى الشركة أو ربطه عبر خدمة مختلفة. وبالنسبة إلى مطوّري المؤسسات، يخفض ذلك عتبة التكامل بصورة ملحوظة، إذ لا حاجة إلى اعتماد المنظومة الصوتية الكاملة من xAI دفعة واحدة.

والخلاصة بسيطة: تحاول xAI حجز مكان لها لا في سباق روبوتات الدردشة فحسب، بل في قطاع أكثر تطبيقية هو البنية التحتية الصوتية. وإذا تأكدت في عمليات النشر الفعلية الأسعار المعلنة وزمن الاستجابة والجودة، فأمام الشركة فرصة للدخول سريعًا في حالات الاستخدام المؤسسية، من دعم العملاء إلى المساعدين الصوتيين الداخليين. لكن السوق لن يحكم في النهاية بناءً على الإعلان، بل بناءً على استقرار الـAPI وشفافية الحدود والجودة في لغات مختلفة، ومدى جودة عمل هذه المنظومة خارج العروض التجريبية والاختبارات الخاصة بـxAI.