OpenAI আজ (২৯ জুলাই) X প্ল্যাটফর্মে একটি ঘোষণা প্রকাশ করে GPT-Live-Transcribe এবং GPT-Transcribe নামে দুটি ট্রান্সক্রিপশন মডেল উন্মোচনের কথা জানিয়েছে। এগুলো API-এর মাধ্যমে ব্যবহার করা যাবে।
ব্যবহারের খরচ
GPT-Live-Transcribe-এর ট্রান্সক্রিপশন খরচ প্রতি মিনিটে 0.017 মার্কিন ডলার (দ্রষ্টব্য: বর্তমান বিনিময় হারে প্রায় 0.12 চীনা ইউয়ান)
GPT-Transcribe-এর ট্রান্সক্রিপশন খরচ প্রতি মিনিটে 0.0045 মার্কিন ডলার (বর্তমান বিনিময় হারে প্রায় 0.03 চীনা ইউয়ান)
OpenAI জানিয়েছে, কোম্পানির আগের মডেলগুলোর তুলনায় এই দুটি ট্রান্সক্রিপশন মডেল প্রসঙ্গ আরও ভালোভাবে বুঝতে পারে এবং বিভিন্ন উচ্চারণ ও ভাষার বাস্তব জগতের অডিওতে আরও নির্ভুল ট্রান্সক্রিপশন দিতে পারে। এর মধ্যে রয়েছে বাক্যাংশ, সংখ্যা, পেশাগত পরিভাষা এবং জোরালো পটভূমির শব্দযুক্ত কথ্য অডিও।
GPT-Live-Transcribe কম লেটেন্সির রিয়েল-টাইম ট্রান্সক্রিপশনের জন্য তৈরি; অন্যদিকে GPT-Transcribe সম্পূর্ণ হওয়া অডিও ফাইল ও ব্যাচ ওয়ার্কলোডের অ্যাসিনক্রোনাস ট্রান্সক্রিপশনকে অপ্টিমাইজ করতে পারে।
Context Aware ASR বেঞ্চমার্ক পরীক্ষায়, GPT-Transcribe-এর সেমান্টিক নির্ভুলতা কোনো ফ্রি-ফর্ম প্রসঙ্গ না থাকলে 41.6% থেকে প্রসঙ্গ থাকলে 45.2%-এ উন্নীত হয়েছে।
Common Voice-এর 22টি ভাষায় GPT-Transcribe-এর ট্রান্সক্রিপশন ত্রুটির হার 19.27%, যেখানে Whisper (whisper-1)-এর হার 40.37%। বাস্তব জগতের অডিও রেকর্ডিং বেঞ্চমার্কের নয়টি ভাষায় এটি 8.98% ট্রান্সক্রিপশন ত্রুটির হার অর্জন করেছে, যেখানে Whisper (whisper-1)-এর হার 15.21%।