xAI 14 অক্টোবর তার হোস্ট করা Voice Agent API-এর মাধ্যমে Grok Voice 3.0 প্রকাশ করেছে। গ্রাহক সহায়তার জন্য ভয়েস এজেন্ট বেছে নেওয়া দলের কাছে Artificial Analysis-এর বর্তমান স্পিচ-টু-স্পিচ সারণি অনুকরণভিত্তিক সহায়তা কাজে Grok Voice 2.0-এর তুলনায় 15.1 শতাংশ পয়েন্ট বৃদ্ধি, আলাদা কাজ-সাফল্যের মাপে সামান্য পরিবর্তন এবং প্রথম অডিও উত্তরে বেশি দেরি দেখায়।

xAI বলছে, grok-voice-latest অ্যালিয়াস এখন স্বয়ংক্রিয়ভাবে 3.0-তে পাঠায়। বর্তমান API নির্দেশিকা নির্দিষ্ট রিলিজ স্থির রাখতে চাওয়া দলের জন্য সংস্করণযুক্ত grok-voice-3.0 নামও দেয়। xAI-এর মতে, WebSocket এন্ডপয়েন্ট, সেশন প্যারামিটার ও ইভেন্টগুলো 2.0-এর মতোই আছে। অ্যালিয়াস ব্যবহারকারীদের অ্যাপ্লিকেশন স্থানান্তরের দরকার নেই, তবে পরিবর্তনশীল অ্যালিয়াসের পেছনে নতুন মডেল এলে অ্যাপ্লিকেশনের নিজস্ব কল পরীক্ষা আবার চালানোর কারণ তৈরি হয়।

বড় পরিবর্তন

  • কী বদলেছে: API অ্যালিয়াস grok-voice-latest-এর পেছনে Grok Voice 3.0 এখন 2.0-এর জায়গা নিয়েছে। Artificial Analysis তার অনুকরণভিত্তিক গ্রাহক সহায়তা বেঞ্চমার্কে এখন 71.6% স্কোর জানাচ্ছে, যা 2.0-এর 56.5% থেকে বেড়েছে।
  • কেন গুরুত্বপূর্ণ: পূর্বলিখিত বিমান সংস্থা, খুচরা বিক্রি ও টেলিকম সমস্যায় এজেন্ট সঠিক ডেটাবেস অবস্থায় পৌঁছায় কি না, তা এই মাপ পরীক্ষা করে। সাধারণ অডিও যুক্তিবিচার স্কোরের চেয়ে এটি সহায়তা কাজের প্রবাহের সঙ্গে বেশি প্রাসঙ্গিক, যদিও এটি এখনও অনুকরণ।
  • কী খেয়াল রাখতে হবে: একই মূল্যায়নকারী 3.0-এর জন্য প্রথম অডিও আসতে 0.81 সেকেন্ড এবং 2.0-এর জন্য 0.70 সেকেন্ড মেপেছে। স্থির সংস্করণের ডিপ্লয়মেন্ট বদলানোর আগে দলগুলোর নিজস্ব উত্তর দেওয়ার সময়, কাজ সম্পন্ন হওয়া ও বিলযোগ্য সেশনের দৈর্ঘ্য পরীক্ষা করা উচিত।

সহায়তা স্কোর ও উত্তরের দেরি

Artificial Analysis-এর পদ্ধতির বিবরণ অনুযায়ী τ-Voice পরীক্ষায় এক অনুকরণমূলক গ্রাহক নীতির নথি ও ক্ষেত্রভিত্তিক বিশেষ টুল থাকা এজেন্টকে কল করে। বিমান সংস্থা, খুচরা বিক্রি ও টেলিকম কাজগুলোর নির্দিষ্ট চূড়ান্ত ডেটাবেস অবস্থা থাকে, আর স্কোর তিনবার পরীক্ষার গড়। বর্তমান সারণিতে Grok Voice 3.0 পেয়েছে 71.6%, যেখানে Grok Voice 2.0-এর 56.5%: ওই পরীক্ষার শর্তে 15.1 শতাংশ পয়েন্ট বৃদ্ধি। মূল্যায়নে অনুকরণমূলক গ্রাহক, তৈরি করা কথা, ট্রান্সক্রিপশন ও নম্বর দেওয়ার মডেল ব্যবহার করা হয়। চালু করা পরিষেবা কত শতাংশ প্রকৃত কলকারীর সমস্যা সমাধান করে, তা এটি মাপে না।

আলাদা Speech Agent Arena কাজ-সাফল্যের হার 2.0-এর 94.6% থেকে 3.0-এর 94.8%-এ সামান্য বেড়েছে। সঠিক চূড়ান্ত টুল কলের মাধ্যমে কাজ শেষ হওয়া উপযুক্ত কথোপকথন এখানে গণনা করা হয়; এটি τ-Voice-এর থেকে আলাদা পরীক্ষা। সামগ্রিক Artificial Analysis সূচক 81.3 থেকে 86.9 হয়েছে। এর বর্তমান সংস্করণ অডিও যুক্তিবিচার, τ-Voice, মডেলের পরিচয় না জেনে কলকারীর পছন্দ এবং Arena কাজ-সাফল্যকে সমান গুরুত্ব দেয়। এই সংখ্যাগুলোর কোনও একটিই একা প্রতিটি গ্রাহকসেবা কাজে উন্নতি প্রমাণ করে না।

গতির জন্য Artificial Analysis তার Big Bench Audio প্রশ্নে প্রথম অডিও পর্যন্ত গড় সময় জানায়। Grok Voice 3.0-এর লাগে 0.81 সেকেন্ড এবং 2.0-এর 0.70 সেকেন্ড। অর্থাৎ ওই পরীক্ষায় নতুন মডেলের কথা শুরু করতে 0.11 সেকেন্ড বেশি লেগেছে, যদিও xAI প্রকাশের ঘোষণায় এর বিলম্বকে “এক সেকেন্ডের কম” বলেছে। মাপ প্রথম অডিও আউটপুটেই শেষ হয়; এটি গোটা কলের বিলম্ব বা সমস্যা সমাধানের সময়ের মাপ নয়।

ঘোষিত ভয়েস মূল্যে কী অন্তর্ভুক্ত

স্পিচ-টু-স্পিচ অডিওর জন্য xAI উভয় সংস্করণের দাম প্রতি মিনিটে $0.08 বা প্রতি ঘণ্টায় $4.80 জানিয়েছে। তার মডেল মূল্যতালিকার পৃষ্ঠা প্রতিটি বিলযোগ্য conversation.item.create টেক্সট ইভেন্টে $0.004 যোগ করে। ডিফল্ট server_vad পালা শনাক্তকরণ ব্যবহারে অডিও মিটার সেশনের সময় গোনে। পুশ-টু-টকে পাঠানো ও পাওয়া অডিও গোনা হয়। তাই ঘোষিত সময়ভিত্তিক দরে একটানা খোলা দশ মিনিটের সেশনে আলাদাভাবে বিল করা টেক্সট ইভেন্ট ধরার আগে অডিও খরচ $0.80। এই হিসাব xAI-এর মূল্যতালিকার ভিত্তিতে, BIG CHANGE-এর বিল বা পরীক্ষা করা কলের ভিত্তিতে নয়।

ডেভেলপারদের সার্ভার-পক্ষের WebSocket সংযোগের জন্য xAI API কী অথবা ক্লায়েন্ট অ্যাপ্লিকেশনের জন্য স্বল্পমেয়াদি টোকেন লাগে। API নির্দেশিকায় রয়েছে wss://api.x.ai/v1/realtime, model কোয়েরি প্যারামিটার, নির্দেশনা, কণ্ঠ ও পালা শনাক্তকরণের জন্য session.update ইভেন্ট এবং উত্তর হিসেবে স্ট্রিম করা অডিও ইভেন্ট। xAI প্রতি দলে একসঙ্গে দশটি সেশন এবং একটি সেশনের সর্বোচ্চ 120 মিনিটের সীমা জানায়। সহায়তা দলকে তারপরও নিজস্ব নীতি, টুল, গ্রাহক ডেটার সীমানা ও বিষয় উঁচু স্তরে পাঠানোর কাজের প্রবাহ দিতে হবে; প্রকাশিত বেঞ্চমার্ক কনফিগারেশন থেকে ওই নির্দিষ্ট বাস্তবায়ন কেমন চলবে তা প্রতিষ্ঠিত হয় না।

xAI আরও জানায়, Starlink Grok Voice দিয়ে দিনে 20,000 কল সামলায় এবং প্রায় 70% মানুষের সাহায্য ছাড়াই সমাধান করে। এগুলো কোম্পানির জানানো পরিচালনসংক্রান্ত পরিসংখ্যান; Artificial Analysis-এর কৃত্রিম পরীক্ষাগুলো সেগুলো যাচাই করে না। BIG CHANGE প্রকাশ, API ও বেঞ্চমার্কের নথি পর্যালোচনা করেছে। আমরা API ব্যবহার করিনি, কোনও সহায়তা এজেন্টকে কল করিনি বা মূল্যায়ন পুনরাবৃত্তি করিনি।

সূত্র ও আরও পড়ুন

  • xAI: Grok Voice 3.0 পরিচিতি, 14 অক্টোবর 2026। প্রাপ্যতা, অ্যালিয়াস পরিবর্তন ও কোম্পানির জানানো ডিপ্লয়মেন্টের ঘোষণা।
  • Artificial Analysis: স্পিচ-টু-স্পিচ লিডারবোর্ড, 15 অক্টোবর 2026-এ যাচাই করা। সূচক, τ-Voice, Arena কাজ-সাফল্য এবং প্রথম অডিওর সময়ের জন্য 3.0 ও 2.0-এর বর্তমান সারি; মূল্যায়ন হালনাগাদ হলে সারণি বদলাতে পারে।
  • Artificial Analysis: বেঞ্চমার্কের পদ্ধতি, 15 অক্টোবর 2026-এ যাচাই করা। সূচক, অনুকরণভিত্তিক সহায়তা পরীক্ষা, Arena কাজ-সাফল্যের মাপ ও গতি পরীক্ষা সংজ্ঞায়িত করে।
  • xAI: স্পিচ-টু-স্পিচ API নির্দেশিকা, সর্বশেষ হালনাগাদ 13 অক্টোবর 2026। মডেলের নাম, স্থানান্তর, WebSocket ইন্টারফেস, প্রমাণীকরণ ও সেশন সেটআপের বিবরণ।
  • xAI: স্পিচ-টু-স্পিচ মূল্য ও সীমা, সর্বশেষ হালনাগাদ 22 সেপ্টেম্বর 2026 এবং 15 অক্টোবর যাচাই করা। অডিও ও টেক্সট ইনপুটের দর, মিটারিং পদ্ধতি, সমান্তরাল ব্যবহার ও সেশনের সীমা জানায়।