ایلون مسک (Elon Musk) کی کمپنی SpaceXAI نے گزشتہ روز (29 جولائی) Grok Voice Think Fast 2.0 جاری کیا، جو اس کا اب تک کا سب سے طاقتور اور ذہین اسپیچ ٹو اسپیچ (speech-to-speech) AI ماڈل ہے۔
قیمت کے لحاظ سے، اس ماڈل کی آڈیو فیس 0.08 امریکی ڈالر فی منٹ ہے (نوٹ: موجودہ شرح تبادلہ کے مطابق تقریباً 0.54 چینی یوآن)۔ حکام کا منصوبہ ہے کہ 5 اگست کو grok-voice-latest ماڈل کو اپ گریڈ کیا جائے، جس کے تحت grok-voice-think-fast-1.0 سے grok-voice-think-fast-2.0 پر منتقل کیا جائے گا۔
یہ ماڈل صوتی استدلال، نقل نویسی کی درستگی، مکالماتی صلاحیت اور ٹول کالنگ کے اعتبار سے قابل اعتماد کارکردگی بہتر بنانے پر توجہ مرکوز کرتا ہے۔ Artificial Analysis کے جاری کردہ اسپیچ ٹو اسپیچ بینچ مارک ٹیسٹ کے اعداد و شمار کے مطابق، نئے ماڈل کا AA Speech-to-Speech Quality Index 82.9% ہے، جو Grok Voice Think Fast 1.0 کے 75.7% کے مقابلے میں 7.2 فیصد پوائنٹس زیادہ ہے۔
SpaceXAI کے مطابق، ماڈل بولتے وقت بیک وقت استدلال مکمل کر سکتا ہے اور استدلال کی صلاحیت حاصل کرنے کے لیے اضافی تاخیر کی ضرورت نہیں ہوتی۔ کمپنی نے مزید بتایا کہ نئے ورژن میں ہر جواب کے لیے درکار استدلالی ٹوکنز کی تعداد کم کر دی گئی ہے؛ پروڈکشن ماحول میں ٹول کالنگ عموماً ایجنٹ کے پہلا جملہ مکمل کرنے سے پہلے ہی مکمل ہو جاتی ہے۔
xAI نے ہزاروں مختصر فقروں اور 24 زبانوں پر مشتمل داخلی جائزے میں بتایا کہ Grok Voice Think Fast 2.0 کی نقل نویسی کی کارکردگی Deepgram Nova 3 اور ElevenLabs Scribe v2 کے مقابلے میں 1.5~2.0 گنا بہتر ہے، جبکہ 1.0 ورژن کے مقابلے میں 1.4 گنا بہتری آئی ہے۔ xAI کے مطابق، نمایاں پسِ منظر کے شور اور ٹیلی فون کمپریشن والے حالات میں خصوصی اسپیچ ٹو ٹیکسٹ ماڈلز کے مقابلے میں اس کا فرق تقریباً 10 گنا تک بڑھ سکتا ہے۔