মূল কনটেন্টে যান
OpenAI

১০ সেপ্টেম্বর, ২০২৬

প্রোডাক্টরিলিজ

API-তে GPT‑Live‑1 দিয়ে আরও স্বাভাবিক ভয়েস অভিজ্ঞতা তৈরি করুন

GPT‑Live‑1 API-তে ChatGPT‑এর স্বাভাবিক, ফুল-ডুপ্লেক্স কথোপকথন নিয়ে আসে এবং ভয়েস এজেন্ট কিভাবে কথা বলে ও কাজ করে তার উপর আরও নিয়ন্ত্রণ দেয়.

লোডিং…

আমরা API-তে GPT‑Live‑1 চালু করছি, যা ডেভেলপারদের ভয়েস-সক্ষম অ্যাপ এবং ব্যবসায়িক ওয়ার্কফ্লো তৈরির জন্য একটি শক্তিশালী, স্বাভাবিক ভয়েস মডেল দিচ্ছে. প্রথমে ChatGPT‑তে চালু করা হয়েছিল, GPT‑Live‑1 একই সময়ে শুনতে ও কথা বলতে পারে এবং Codex ও ChatGPT কাজের ক্ষেত্রে যেমন দেখা গেছে⁠(একটি নতুন উইন্ডোতে খোলে), এটি যেসব মডেল ও টুলের সঙ্গে যুক্ত, সেগুলোর কাছে গভীরতর রিজনিং ও কাজ অর্পণ করতে পারে.

GPT‑Live‑1‑এর API রিলিজের জন্য, আমরা এমন নতুন সক্ষমতার উপর জোর দিয়েছি যা ডেভেলপারদের তাদের ব্যবহারকারী, কর্মপ্রবাহ এবং লক্ষ্যকে কেন্দ্র করে ভয়েস অভিজ্ঞতা পরিচালনা ও কাস্টমাইজ করতে দেয়. GPT‑Live‑1‑এর একটি মূল শক্তি, সাবলীলভাবে বাধা সামলানো, ইতিমধ্যেই ব্যবসায়িক প্রভাব ফেলছে: প্রাথমিক মূল্যায়নে Speak দেখেছে যে, ভাষা-শিক্ষক উত্তর দেওয়ার আগে GPT‑Live‑1 শিক্ষার্থীদের চিন্তা করার জন্য বেশি সময় দিয়েছে, যা পূর্ববর্তী পালা-ভিত্তিক সিস্টেমগুলোর তুলনায় বাধা প্রায় 80% কমিয়েছে.

API-তে GPT‑Live‑1‑এর প্রধান শক্তি:

  • বাধা সামলানো: একটি একক মডেলের মাধ্যমে বাধা সামলানো উন্নত করে, যা ইনকামিং ও আউটগোয়িং অডিও একসঙ্গে বিশ্লেষণ করে এবং চেইন করা STT–LLM–TTS আর্কিটেকচারের লেটেন্সি ও ভঙ্গুর হ্যান্ডঅফ এড়ায়.

  • রিজনিং ও টুল কলিং ডেলিগেশন: GPT‑Live‑1 রিজনিং ও টুল কল GPT‑6 Astra বা তৃতীয় পক্ষের মডেলের মতো একটি ব্যাকএন্ড টেক্সট মডেলের কাছে ডেলিগেট করতে পারে.

  • টোন, গতি ও স্টাইল: সিস্টেম প্রম্পটের মাধ্যমে ডেভেলপাররা একটি এজেন্টের টোন, গতি ও কথোপকথনের স্টাইল নির্ধারণ করতে পারেন.

  • নীরব প্রেক্ষাপট ব্যবস্থাপনা ও ব্যাকগ্রাউন্ডের শব্দ: কথোপকথনে বাধা না দিয়ে বা প্রতিটি ধাপ জোরে জোরে বর্ণনা না করে ব্যাকগ্রাউন্ডের শব্দ ও নীরবতা আরও ভালোভাবে সামলায়.

  • দীর্ঘ সেশনে নির্ভরযোগ্যতা: দীর্ঘ সময়ের ইন্টারঅ্যাকশনে প্রসঙ্গ ধরে রাখা এবং কথোপকথনের মান উন্নত করে.

  • টেলিফোনি সহায়তা: রেস্তোরাঁর রিজার্ভেশন থেকে গ্রাহক সহায়তা পর্যন্ত ফোন কলের জন্য ফুল-ডুপ্লেক্স ভয়েস এজেন্ট মোতায়েন করতে সক্ষম করে.

Try GPT-Live-1

Start a session and speak naturally. Interrupt, laugh, change your mind - try it at home or in a loud space like a coffee shop or city street.
See what it can do
  • Talk over it—naturally. Ask for help, then interrupt mid-response to change the question or add detail.
  • Take it with you. Try a conversation while walking outside or with everyday background noise, and see how it stays with you.
  • Make it playful. Laugh, hesitate, use short acknowledgments, or briefly talk to someone nearby—then continue the conversation.

এই ডেমোটি সময়সীমাবদ্ধ. এটি ব্যবহার করার মাধ্যমে, আপনি OpenAI-এর শর্তাবলীতে সম্মত হচ্ছেন. শর্তাবলী এবং গোপনীয়তা নীতি আমাদের স্বীকার করুন.

আপনার ভয়েস এজেন্ট আর্কিটেকচার সহজ করুন এবং ভয়েস লেটেন্সি কমান

ঐতিহ্যবাহী ভয়েস এজেন্টগুলো স্পিচ-টু-টেক্সট, একটি রিজনিং মডেল এবং টেক্সট-টু-স্পিচকে একত্রিত করে. প্রতিটি হস্তান্তর লেটেন্সি বাড়ায় এবং টাইমিং, প্রসঙ্গ বা কথোপকথনের স্বাভাবিক ছন্দ হারানোর আরও সুযোগ তৈরি করে. কেউ বাধা দিলে, থামলে বা দিক পরিবর্তন করলে কী হবে, তা-সহ ঐ ধাপগুলো সমন্বয় করার দায় প্রায়ই ডেভেলপারদের উপরই থাকে.

GPT‑Live‑1 একটি একক মডেলে শোনা ও কথা বলা সামলায়, যা ভয়েস স্তরকে সহজ করে. এটি বিঘ্ন ও স্বীকৃতিগুলি ঘটার সঙ্গে সঙ্গেই সাড়া দিতে পারে, আর গভীরতর যুক্তি প্রয়োগ ব্যাক এন্ডে অর্পণ করে. এতে ব্যাকগ্রাউন্ডে কাজ চলার সময়ও কথোপকথন চলতে থাকে.

“আমাদের ক্যাসকেডেড বিল্ডের তুলনায় GPT‑Live‑1 আমাদের কোডবেস 80% সহজতর করেছে এবং 23 হাজার লাইন কোড কমিয়ে দিয়েছে. এর ফলে রোগীদের সঙ্গে স্বাভাবিক ও রিয়েল-টাইম কথোপকথন সম্ভব হয়েছে এবং অ্যাপয়েন্টমেন্ট বুকিং থেকে শুরু করে চিকিৎসা নেওয়ার পথনির্দেশ পর্যন্ত অভিজ্ঞতা উন্নত করার সুযোগ আমাদের টিমকে দিয়েছে.”
—টনি স্তোয়ানভ, সহ-প্রতিষ্ঠাতা ও প্রধান প্রযুক্তি কর্মকর্তা

ডেভেলপাররা কথোপকথনের পেছনের মডেল, টুল এবং এজেন্ট কার্যপরিধি বেছে নেন. উদাহরণস্বরূপ, তারা সময়সূচি নির্ধারণ বা অর্ডার আপডেটের মতো উচ্চ-ভলিউম কাজের জন্য GPT‑Live‑1‑এর সঙ্গে Luna-এর মতো একটি মডেল যুক্ত করতে পারেন এবং যুক্তির প্রয়োজন হয় এমন জটিল গ্রাহক সমস্যার জন্য Astra-এর মতো একটি মডেল ব্যবহার করতে পারেন. এই নমনীয়তা ডেভেলপারদের প্রতিটি কাজের সঙ্গে যুক্তির গভীরতা, গতি এবং খরচ মিলিয়ে নিতে দেয়.

GPT‑Live‑1 নেটিভভাবে ASR ট্রান্সক্রিপ্ট ও উত্তর টেক্সট প্রদান করে. এটি শক্তিশালী আলফানিউমেরিক বোঝাপড়াও দেয় এবং কীওয়ার্ড বায়াসিং সমর্থন করে. GPT‑Live‑1 পালাভিত্তিক মডেল না হলেও, এটি নেটিভভাবে পালা শনাক্তকরণ সমর্থন করে, তাই ডেভেলপাররা স্পষ্ট পালা-সীমানাকে কেন্দ্র করে তৈরি করা চালিয়ে যেতে পারেন.

ফুল-ডুপ্লেক্স সুবিধা পরিমাপ করা

আমাদের মূল্যায়ন অনুযায়ী, GPT‑Live‑1, GPT‑Realtime‑2.1-এর তুলনায় ফুল ডুপ্লেক্স বেঞ্চ পারফরম্যান্স 30 শতাংশ পয়েন্ট উন্নত করে এবং এর টার্ন-টেকিং ল্যাটেন্সি ও ইন্টারঅ্যাক্টিভ আচরণে উল্লেখযোগ্য উন্নতি দেখা যায়. মাঝারি রিজনিং-এফোর্টে GPT‑6 Astra-এর সঙ্গে যুক্ত হলে, এটি Tau3-এও #1 স্থান পায়, যা শুরু-থেকে-শেষ কাজগুলোতে অত্যাধুনিক ভয়েস-এজেন্ট বুদ্ধিমত্তা পরিমাপ করে.

এয়ারলাইন, রিটেইল এবং টেলিকম ডোমেইনে কথ্য গ্রাহক-সেবা টাস্ক মূল্যায়ন করে. Pass@1 টাস্কের সাফল্য পরিমাপ করে; শিরোনাম প্রতিটি ডোমেইনকে সমান গুরুত্ব দেয়.


* GPT Live ব্যাকএন্ড: Astra (মাঝারি).

জ্ঞান আহরণ এবং অ্যাকাউন্ট টুলের সাহায্যে মৌখিক ব্যাংকিং সহায়তার মূল্যায়ন করে. Pass@1 হলো সফলভাবে সম্পন্ন 97-টি banking_knowledge কাজের অনুপাত.


* GPT Live ব্যাকএন্ড: Astra (মাঝারি).

বিরতি সামলানো, কথোপকথনে পালা নেওয়া-দেওয়া, বাধা এবং ব্যাকচ্যানেল মূল্যায়ন করে.

ব্যাকগ্রাউন্ডের কথা, অন্য ব্যক্তিকে বলা কথা, শ্রোতার ব্যাকচ্যানেল প্রতিক্রিয়া এবং বাধা দেওয়ার ক্ষেত্রে প্রতিক্রিয়া পরীক্ষা করে.

ব্যবহারকারী একটি টার্ন শেষ করার পর এজেন্ট কত দ্রুত তার উত্তর শুরু করে, তা পরিমাপ করে.

স্বাভাবিক বিরতি, দ্বিধা এবং স্ব-সংশোধনসহ কথ্য অনুরোধ থেকে টুল ব্যবহার পরীক্ষা করে. Pass@1 টুল-কল সিকোয়েন্সের স্কোর নির্ধারণ করে.


* GPT Live ব্যাকএন্ড: Terra (নিম্ন).

বিরতি, দ্বিধা এবং স্ব-সংশোধনসহ টুল-ব্যবহারকারী অনুরোধের কথ্য উত্তর মূল্যায়ন করে. উত্তরটি রেফারেন্স ইন্টেন্টের সাথে কতটা মেলে তা স্কোর করে.


* GPT Live ব্যাকএন্ড: Terra (নিম্ন).

গ্রাহকেরা যা বলছেন

1 এর মধ্যে 4
“Yelp Host ও Hatch-এ GPT‑Live‑1 যোগ করার ফলে আমাদের প্রচলিত ভয়েস আর্কিটেকচারের তুলনায় কথোপকথনের পালাবদল ও নির্ভুলতা উন্নত হয়েছে. Yelp Host যখন রিজার্ভেশন ও খাবারের অর্ডার সংক্রান্ত কলের উত্তর দিতে GPT‑Live‑1 ব্যবহার করে, তখন আমরা কল পরিচালনার হারে উল্লেখযোগ্য উন্নতি দেখছি. কলাররাও আরও পূর্ণাঙ্গ, স্বাভাবিক বাক্যে কথা বলছেন, যা আমাদের জানায় ফোনের অন্য প্রান্তের অভিজ্ঞতাটি সত্যিই আলাদা মনে হচ্ছে.”
—অ্যালেক্স লেভি, প্রধান প্রযুক্তি কর্মকর্তা

নতুন ভয়েস অপশন

ডেভেলপারদের এমন ভয়েস দরকার যা তাদের পণ্যের সঙ্গে মানানসই এবং ব্যবহারকারীদের কাছে স্বাভাবিক শোনায়. GPT‑Live‑1‑এর মাধ্যমে, আমরা রিয়েল-টাইম ভয়েসের একটি ছোট সেট থেকে উচ্চারণ, উপভাষা ও ভাষার ক্ষেত্রে আরও বিস্তৃত পরিসরে এগিয়ে যাচ্ছি, যাতে ডেভেলপাররা তাদের অ্যাসিস্ট্যান্ট কেমন শোনাবে সে বিষয়ে আরও বেশি বিকল্প পান.

নতুন ভয়েসগুলো শুনুন

আমরা আগামী কয়েক মাসে ভয়েসের বিকল্প এবং ভাষার প্রাপ্যতা বাড়াতে থাকব.

মূল্য এবং উপলভ্যতা

GPT‑Live‑1 ফ্রন্ট-এন্ড ভয়েস লেয়ারের জন্য প্রতি মিনিটে $0.05 মূল্যে আজ API-তে⁠(একটি নতুন উইন্ডোতে খোলে) উপলভ্য. এটিকে আপনার পণ্যের উপযোগী ব্যাকএন্ড মডেল এবং এজেন্ট হারনেসের সাথে যুক্ত করুন, তারপর এমন একটি ভয়েস এক্সপেরিয়েন্স তৈরি করুন যা প্রয়োজনীয় কাজের সাথে তাল মিলিয়ে সম্প্রসারণযোগ্য.

Codex-এ GPT-Live-1 সংযুক্তকরণ

1
import { Codex } from "@openai/codex-sdk";
2

3
const thread = new Codex().startThread({
4
  workingDirectory: "./repo",
5
  sandboxMode: "read-only",
6
  approvalPolicy: "never",
7
});
8

9
async function answer(live, delegationId, context) {
10
  const { finalResponse } = await thread.run(
11
    `Answer the latest question using this repo.
12
     Reply in two short spoken sentences.\n${context}`
13
  );
14

15
  live.send({
16
    type: "session.commentary.append",
17
    delegation_id: delegationId,
18
    content: finalResponse,
19
  });
20
}

GPT-Live-1-কে Codex-এর সঙ্গে সংযুক্ত করা হচ্ছে. এই অংশে দেখানো হয়েছে, কিভাবে একটি অ্যাপ্লিকেশন কথোপকথনের প্রসঙ্গ Codex-এ পাঠায় এবং এর উত্তর GPT-Live-1-এ ফিরিয়ে দেয়. সংযোগ স্থাপন ও ডেলিগেশন পরিচালনা বাদ দেওয়া হয়েছে.

কাস্টম ভয়েস অ্যাক্সেসের জন্য যোগ্যতা ও অনুরোধ প্রক্রিয়া সম্পর্কে আরও জানতে বিক্রয় বিভাগের সঙ্গে যোগাযোগ করো.

GPT‑Live‑1‑এর উপর ভয়েস ওয়ার্কফ্লো তৈরির আরেকটি উপায় হলো OpenAI Presence, যা রিয়েল-টাইম ভয়েস ইন্টারঅ্যাকশন চালাতে মডেলটি ব্যবহার করে. Presence এন্টারপ্রাইজগুলোকে এমন বিশ্বস্ত কৃত্রিম বুদ্ধিমত্তার এজেন্ট মোতায়েনে সহায়তা করে, যা প্রশ্নের উত্তর দিতে, সমস্যা সমাধান করতে, কোম্পানির সিস্টেম ব্যবহার করতে, অনুমোদিত পদক্ষেপ নিতে এবং প্রয়োজন হলে মানুষের কাছে বিষয়টি পাঠাতে পারে. আরও জানতে আপনার OpenAI অ্যাকাউন্ট ডিরেক্টরের সঙ্গে যোগাযোগ করুন.

লেখকবৃন্দ

OpenAI

পড়া চালিয়ে যান

সব দেখুন
Helping teens learn, plan, and shape the future of AI — Cover
কিশোরদের শেখা, পরিকল্পনা ও এআইয়ের ভবিষ্যৎ গড়তে সহায়তা

প্রোডাক্ট

সবার জন্য GPT-6 ও Intelligent UI

প্রোডাক্ট

Building advertising for the way people use AI — Cover
এআই ব্যবহারের ধরনের সঙ্গে মিলিয়ে বিজ্ঞাপন তৈরি

প্রোডাক্ট