SpaceXAI pada 18 September 2026 merilis Grok Voice Transcribe 2.0, dan menurut siaran pers resmi, model ini didasarkan pada model dasar audio yang menggerakkan Grok Voice, serta diklaim sebagai salah satu model transkripsi paling akurat dalam evaluasi skenario nyata perusahaan, dengan tingkat akurasi "dua kali lipat" dibandingkan versi 1.0 (menurut pernyataan perusahaan), sementara harga tetap tidak berubah.
Harga yang dipublikasikan sama dengan versi 1.0: untuk batch rekaman adalah 0,10 dolar AS per jam audio, dan untuk streaming adalah 0,20 dolar AS per jam, termasuk fitur pemisahan pembicara (diarization), timestamp, dan kata kunci. Perusahaan menyatakan bahwa 2.0 akan segera menjadi pengaturan default untuk Speech-to-Text API; versi 1.0 akan dinonaktifkan secara bertahap dalam beberapa minggu ke depan, dan selama masa transisi, pengguna dapat memilih grok-voice-transcribe-1.0.
SpaceXAI mengklaim bahwa Grok Voice telah memproses puluhan ribu panggilan layanan pelanggan setiap hari, mentranskripsi jutaan jam narasi video, dan beroperasi pada produk fisik, termasuk Grok yang terpasang di mobil Tesla. Perusahaan juga menyatakan bahwa dalam daftar streaming publik Artificial Analysis, Transcribe 2.0 menempati peringkat pertama dalam hal akurasi di antara 32 model streaming – ini adalah pernyataan perusahaan mengenai daftar tersebut.
Siaran pers resmi juga menyebutkan Atlassian Loom: Atlassian menyatakan bahwa versi 2.0 lebih akurat dibandingkan solusi yang ada dan digunakan untuk transkripsi video Loom. Sanchan Saxena, Wakil Presiden Senior Tim Kerja Koleksi, mengatakan bahwa penggunaan Grok untuk mengonversi suara menjadi teks di Loom, dan kemudian memprosesnya dengan Cursor, adalah arah "aliran konteks menuju pekerjaan nyata".
Deskripsi produk dapat dilihat di siaran pers SpaceXAI: https://x.ai/news/grok-voice-transcribe-2.