xAI গ্রক এসটিটি এবং টিটিএস এপিআই চালু করেছে যার ৬.৯% শব্দ ত্রুটি হার

ME সংবাদের মতে, ১৮ এপ্রিল (UTC+8), অ্যানালিসিস বিটিং-এর মনিটরিং অনুযায়ী, xAI দুটি স্বতন্ত্র অডিও API চালু করেছে: Grok Speech to Text এবং Grok Text to Speech। এই দুটি API গ্রক ভয়েস, টেসলা কার সিস্টেম এবং স্টারলিঙ্ক কাস্টমার সাপোর্টকে সমর্থন করে এমন একই অডিও স্ট্যাক থেকে আসে, এবং এখন এগুলি স্বতন্ত্র endpoint হিসেবে উন্মুক্ত করা হয়েছে, যাতে ডেভেলপাররা ভয়েস এজেন্ট, রিয়েল-টাইম ট্রান্সক্রিপশন, অ্যাক্সেসিবিলিটি টুলস এবং পডকাস্টসহ বিভিন্ন অ্যাপ্লিকেশনে সরাসরি ইন্টিগ্রেট করতে পারে। STT-এ দুটি মোড রয়েছে। REST API-এর মাধ্যমে বড় অডিও ফাইলগুলির ব্যাচ-ভিত্তিক ট্রান্সক্রিপশন করা যায়, যা মিলিসেকেন্ডেরও কম সময়ে ফলাফল দেয়; WebSocket API-টি রিয়েল-টাইম ভয়েস স্ট্রিমের জন্য। অতিরিক্ত ক্ষমতা হলো: শব্দ-স্তরের টাইমস্ট্যাম্প, স্পিকার ডায়ারিজেশন, মাল্টি-চ্যানেলের আলাদা শনাক্তকরণ, এবং Inverse Text Normalization—যা কথোপকথনের মধ্যে থাকা সংখ্যা, তারিখ, মুদ্রা সহজভাবে সুসংগঠিত, প্রমিতটিরূপে রূপান্তরিত করে। 25-এরওবেশি ভাষা সমর্থন করা হয়,এবংকথোপকথনেরমধ্যেঅবিরতভাবেসুইচকরাযায়। xAIএকইসময়েএকটিবারপদমূল্য (WER,যতকমহবেততভাল)এরতুলনামুখস্থকরেছে:সমগ্রপরিস্থিতিতেGrok6.9%,ElevenLabs9.0%,Deepgram11.0%,AssemblyAI12.9%; “ফোনকলসহবস্তুশনাক্তকরণ”-এরক্ষেত্রেফারকপরিষ্কারভাবেবড়:Grok5.0%,প্রতিপক্ষগুলিরযথাক্রমে12.0%,13.5%,21.3%।মিটিং,ভিডিওপডকাস্টএবংফোনকল—এইতিনটিসাধারণব্যবসায়িকপরিস্থিতিতেGrokসবক্ষেত্রেহালকভাবেঅগ্রগতিরপরিচয়দিয়েছে।এইসংখ্যাগুলিxAIদ্বারাসম্পন্নকরাহয়েছেএবংপ্রকাশকরাহয়েছে,এখনওকোনওতৃতীয়পক্ষদ্বারাপুনরায়পরীক্ষা(retest)হয়নি।দাম:STT-এরজন্যব্যাচপ্রসেসিং0.10ডলার/ঘণ্টা,স্ট্রিমিং0.20ডলার/ঘণ্টা;TTS4.20ডলার/100হাজারঅক্ষর।TTS-এবহুমুখীSpeechTagsব্যবহারকরেভাবঅধিগতকরণএবংছন্দনিরনির্ধারণকরাযায়,যেমন:[laugh],[sigh],[whisper], (উৎস: BlockBeats)