SpaceXAI は 2026 年 9 月 18 日 に Grok Voice Transcribe 2.0 を発表した。公式プレスリリースによると、同モデルは Grok Voice を駆動する音声基盤モデルに基づいており、同社の実環境評価において、2.0 は現在最も正確な文字起こしモデルの一つであり、1.0 と比較して「2 倍の精度」（会社の表現による）を持つが、価格は据え置きとなっている。
公開されている価格は 1.0 と同じで、録音バッチは 1 時間あたりの音声に対して 0.10 ドル、ストリーミングは 1 時間あたり 0.20 ドル であり、話者分離（diarization）、タイムスタンプ、キーワード機能などが含まれる。同社は 2.0 が Speech-to-Text API のデフォルトになる予定であり、1.0 は今後数週間で段階的に廃止されるが、過渡期には grok-voice-transcribe-1.0 をピン留めできる。
SpaceXAI は、Grok Voice が毎日数万件のカスタマーサービス電話を処理し、数百万時間の映像ナレーションを文字起こししており、Tesla の車載 Grok を含む実製品で稼働していると述べた。また、同社は Artificial Analysis の公開ストリームランキングにおいて、Transcribe 2.0 が 32 のストリームモデルの中で精度が一位であると主張している。
公式プレスリリースでは同時に Atlassian Loom についても言及している。Atlassian は 2.0 が既存のソリューションよりも正確であり、Loom の映像文字起こしに使用されていると述べている。Teamwork Collection の上級副社長である Sanchan Saxena は、Grok で Loom の音声を文字起こしし、さらに Cursor で処理することは「コンテキストから実際の作業へ流れる」方向性であると述べている。
製品の詳細は SpaceXAI のプレスリリースを参照：https://x.ai/news/grok-voice-transcribe-2。