ইলন মাস্কের (Elon Musk) SpaceXAI কোম্পানি গতকাল (২৯ জুলাই) Grok Voice Think Fast 2.0 প্রকাশ করেছে। এটি কোম্পানিটির সবচেয়ে শক্তিশালী ও বুদ্ধিমান স্পিচ-টু-স্পিচ (speech-to-speech) AI মডেল।
মূল্য নির্ধারণের দিক থেকে, এই মডেলে প্রতি মিনিট অডিওর খরচ 0.08 মার্কিন ডলার (দ্রষ্টব্য: বর্তমান বিনিময় হারে প্রায় 0.54 চীনা ইউয়ান)। প্রতিষ্ঠানটি ৫ আগস্ট grok-voice-latest মডেল আপগ্রেড করার পরিকল্পনা করেছে, যেখানে grok-voice-think-fast-1.0 থেকে grok-voice-think-fast-2.0-তে উন্নীত করা হবে।
মডেলটি ভয়েস রিজনিং, ট্রান্সক্রিপশনের নির্ভুলতা, কথোপকথনের সক্ষমতা এবং টুল কলের নির্ভরযোগ্যতা উন্নত করার ওপর জোর দেয়। Artificial Analysis প্রকাশিত স্পিচ-টু-স্পিচ বেঞ্চমার্ক পরীক্ষার তথ্য অনুযায়ী, নতুন মডেলের AA Speech-to-Speech Quality Index 82.9%, যা Grok Voice Think Fast 1.0-এর 75.7%-এর তুলনায় 7.2 শতাংশ পয়েন্ট বেশি।
SpaceXAI জানিয়েছে, মডেলটি কথা বলার সময় একই সঙ্গে রিজনিং সম্পন্ন করতে পারে, তাই রিজনিং সক্ষমতার জন্য অতিরিক্ত বিলম্বের প্রয়োজন হয় না। প্রতিষ্ঠানটি আরও জানিয়েছে, নতুন সংস্করণে প্রতিটি উত্তরের জন্য প্রয়োজনীয় রিজনিং Token-এর সংখ্যা কমানো হয়েছে; প্রোডাকশন পরিবেশে, এজেন্টের প্রথম বাক্য বলা শেষ হওয়ার আগেই সাধারণত টুল কল সম্পন্ন হয়।
হাজার হাজার বাক্যাংশ ও 24টি ভাষা অন্তর্ভুক্ত অভ্যন্তরীণ মূল্যায়নে xAI জানিয়েছে, Grok Voice Think Fast 2.0-এর ট্রান্সক্রিপশন পারফরম্যান্স Deepgram Nova 3 এবং ElevenLabs Scribe v2-এর তুলনায় 1.5~2.0 গুণ উন্নত, আর 1.0 সংস্করণের তুলনায় 1.4 গুণ উন্নত। উল্লেখযোগ্য ব্যাকগ্রাউন্ড শব্দ এবং ফোন কম্প্রেশন থাকা পরিস্থিতিতে, xAI-এর দাবি, বিশেষায়িত স্পিচ-টু-টেক্সট মডেলের তুলনায় এর ব্যবধান প্রায় 10 গুণ পর্যন্ত বাড়তে পারে।