SpaceXAI আগের দামেই কম ভুলের হারসহ Grok Voice Transcribe 2.0 উন্মোচন করেছে
নতুন মডেলটি ব্যাচ ও স্ট্রিমিং—উভয় মোডেই কথা শনাক্ত করে; SpaceXAI জানিয়েছে, ১৯টি ভাষায় ছোট বাক্যাংশের পরীক্ষায় ভুলের হার ২০,৬% থেকে কমে ৬,৮% হয়েছে। সারসংক্ষেপে রয়েছে API-এর মূল্যতালিকা এবং তুলনামূলক পরীক্ষার ফলাফল, যেগুলো এখনো স্বাধীনভাবে যাচাই করা হয়নি।
SpaceXAI কী প্রকাশ করেছে
Grok Voice Transcribe 2.0 হলো Speech to Text API-এর মাধ্যমে উপলভ্য একটি স্পিচ রিকগনিশন মডেল। এটি ব্যাচ ও স্ট্রিমিং—দুই ধরনের প্রক্রিয়াকরণ সমর্থন করে; মডেল আইডি হলো grok-voice-transcribe-2.0।
- API আজ থেকেই উপলভ্য।
- ওপেন ওয়েটস ঘোষণা করা হয়নি, তাই মডেলটি নিজে চালানো যাবে না।
- মডেলটি শুধু API-এর মাধ্যমেই ব্যবহার করা যায়।
কোন পদ্ধতিতে ইন্টিগ্রেট করবেন, তার ওপর পছন্দ নির্ভর করে: API-এর মাধ্যমে ব্যাচ বা স্ট্রিমিং প্রক্রিয়াকরণের জন্য মডেলটি উপযুক্ত, তবে নিজে চালানোর জন্য নয়।
নির্ভুলতা সম্পর্কে কী জানা গেছে
ডেভেলপার দল জানিয়েছে, একই দামে Grok Voice Transcribe 2.0, 1.0 সংস্করণের তুলনায় দ্বিগুণ নির্ভুল।
SpaceXAI-এর তথ্য অনুযায়ী, Artificial Analysis-এর সর্বজনীন র্যাঙ্কিংয়ে 32টি স্ট্রিমিং মডেলের মধ্যে মডেলটি প্রথম স্থান পেয়েছে। AA-WER Streaming পরীক্ষায় প্রায় আট ঘণ্টার অডিও ব্যবহার করা হয়: AA-AgentTalk-এর ওজন 50%, VoxPopuli-এর 25% এবং Earnings22-এর 25%।
19টি ভাষায় ছোট বাক্যাংশের একটি অভ্যন্তরীণ ডেটাসেটে WER 20,6% থেকে কমে 6,8% হয়েছে। কোম্পানির হিসাবে, শব্দের স্তরে ভুলের সংখ্যা প্রায় 67% কমেছে এবং চারটি অভ্যন্তরীণ ডেটাসেটেই উন্নতি হয়েছে।
SpaceXAI-এর অভ্যন্তরীণ পরীক্ষার ফলাফল স্বাধীনভাবে পুনরায় যাচাই করা হয়নি। তাই নির্ভুলতা নিয়ে দাবিগুলোকে সর্বজনীন র্যাঙ্কিংয়ের ফলাফল থেকে আলাদাভাবে বিবেচনা করা উচিত।
ট্রান্সক্রিপশনের খরচ কত
Grok Voice Transcribe 2.0-তে Grok Voice Transcribe 1.0-এর দামই রাখা হয়েছে। অডিও কীভাবে প্রক্রিয়া করা হচ্ছে, তার ওপর খরচ নির্ভর করে।
| মোড | প্রতি ঘণ্টা অডিওর দাম |
|---|---|
| ব্যাচ ট্রান্সক্রিপশন | ৳12 |
| স্ট্রিমিং ট্রান্সক্রিপশন | ৳24 |
ডায়ারাইজেশন, টাইমস্ট্যাম্প এবং কী টার্মগুলো দামের মধ্যেই অন্তর্ভুক্ত। মোডগুলোর তুলনা করার সময় শুধু দাম নয়, স্ট্রিমিং প্রক্রিয়াকরণের প্রয়োজন আছে কি না, সেটিও বিবেচনা করুন।
কোন ভাষা ও ফরম্যাট সমর্থিত
Grok Voice Transcribe 2.0 কয়েক ডজন ভাষায় ট্রান্সক্রিপশন করে, স্বয়ংক্রিয়ভাবে ভাষা শনাক্ত করে এবং রেকর্ডিংয়ের মাঝপথে ভাষা বদলালে তা সামলাতে পারে।
- ব্যাচ API-তে সর্বোচ্চ 500 MB আকারের ফাইল দেওয়া যায়।
- ব্যাচ প্রক্রিয়াকরণের জন্য 12টি অডিও ফরম্যাট উপলভ্য।
wss://api.x.ai/v1/sttঠিকানায় WebSocket-এর মাধ্যমে স্ট্রিমিং করা যায়।
এখানে পছন্দ নির্ভর করে ভাষা এবং অডিও পাঠানোর পদ্ধতির প্রয়োজনীয়তার ওপর: ব্যাচ API নাকি WebSocket স্ট্রিম।
মডেলটি কোথায় ব্যবহার হচ্ছে
Atlassian Loom প্রতিটি ভিডিও ট্রান্সক্রাইব করতে Grok Voice Transcribe 2.0 ব্যবহার করে। Atlassian জানিয়েছে, মডেলটি তাদের আগের সমাধানের চেয়ে বেশি নির্ভুল।
এই উদাহরণটি Loom-এ মডেলটির ব্যবহার নিশ্চিত করে, তবে অন্য সিস্টেমের সঙ্গে তুলনামূলক মূল্যায়ন দেয় না।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
ইন্টারঅ্যাকটিভ XR ডেভেলপমেন্টে কোডিং এজেন্টদের মূল্যায়ন: GenXR-Bench-এর ফলাফল
প্রকাশিত হয়েছে GenXR-Bench—ইন্টারেক্টিভ XR ডেভেলপমেন্টে কোডিং এজেন্টগুলোর এন্ড-টু-এন্ড মূল্যায়নের জন্য ১১২টি বিশেষজ্ঞ-নির্ধারিত কাজের একটি সেট: ফিচার উন্নত করা ও ত্রুটি ঠিক করা থেকে শুরু করে ভোক্তা-পর্যায়ের ডিভাইসে আচরণ যাচাইসহ অ্যাপ্লিকেশন তৈরি পর্যন্ত। পরীক্ষিত দশটি মডেলের মধ্যে সেরা ফল ছিল ৫০.৯% Pass@1; বারবার দেখা ব্যর্থতার মধ্যে রয়েছে সেন্সরের অ্যাসিঙ্ক্রোনাস ইভেন্ট সামলানো, বাস্তব স্থানের সঙ্গে অবজেক্ট যুক্ত করা এবং ভৌত প্রেক্ষাপটে মিথস্ক্রিয়া বোঝা।
5 নভেম্বর 2026
স্কেলার পুরস্কার থেকে প্যারেটো ফ্রন্টিয়ার: বহু-উদ্দেশ্যভিত্তিক রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে LLM-ভিত্তিক RTL সংশ্লেষণ
একটি ভাষা মডেলকে একটি মাত্র নকশা নয়, বরং ক্ষেত্রফল, বিলম্ব ও বিদ্যুৎ খরচের মধ্যে বিভিন্ন সমঝোতাসহ একগুচ্ছ RTL প্রার্থী তৈরি করতে প্রশিক্ষণ দেওয়ার একটি পদ্ধতি প্রস্তাব করা হয়েছে; পুরস্কার নির্ধারিত হয় প্যারেটো ফ্রন্টের হাইপারভলিউমে প্রতিটি বিকল্পের অবদানের ভিত্তিতে। RTLLM v2-তে আপেক্ষিক হাইপারভলিউম PPA অপ্টিমাইজেশনবিহীন বেসলাইন সংস্করণের তুলনায় ১৩.৩ শতাংশ পয়েন্ট এবং একক-লক্ষ্যভিত্তিক রিইনফোর্সমেন্ট লার্নিংয়ের তুলনায় ১৪.৪ শতাংশ পয়েন্ট বেড়েছে।
5 নভেম্বর 2026
চিকিৎসাবিষয়ক LLM-গুলো নির্দেশিকা সংশোধনের কথা জানে, কিন্তু প্রায়ই পুরোনো নিয়ম অনুযায়ী উত্তর দেয়
1709টি ক্লিনিক্যাল নির্দেশিকার পরিবর্তন নিয়ে ChronoEvo-এর গবেষণায় দেখা গেছে: মূল মডেলে 90,8% উত্তর নতুনত্বটি শনাক্ত করেছিল, তবে মাত্র 58,5% তা সম্পূর্ণভাবে প্রয়োগ করেছিল; 32,3 শতাংশ পয়েন্টের এই ব্যবধান 14টি মডেলেই বজায় ছিল। আপডেটগুলোর দৃশ্যমানতা বাড়িয়েও নতুন নিয়মগুলো ক্লিনিক্যাল নির্দেশিকায় সম্পূর্ণভাবে অন্তর্ভুক্ত করার ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়নি।
4 নভেম্বর 2026