Компания Block, основанная создателем Twitter Джеком Дорси, представила инновационную голосовую модель искусственного интеллекта Dessa, которая обучалась исключительно на человеческой речи без использования текстовых баз данных. Главное технологическое отличие новинки заключается в ее полнодуплексной архитектуре — нейросеть способна одновременно слушать собеседника и говорить сама, не дожидаясь окончания его реплики.
В опубликованных демонстрациях модель демонстрирует поразительно естественное поведение: она поддерживает сложные дискуссии о кинематографе, эмоционально реагирует на бытовые сценарии и даже превосходит по реалистичности звучания признанного лидера индустрии в лице OpenAI GPT-Live-1. При этом вся обработка данных происходит локально и не требует облачных серверов, запускаясь непосредственно на ноутбуках уровня Apple MacBook Pro с процессором M4 Max.
В основу разработки Dessa легли три ключевых принципа: любопытство, улучшение взаимопонимания между людьми и безопасность. Разработчики сравнивают обучение модели с развитием маленьких детей, которые осваивают родной язык на слух задолго до того, как научатся читать и писать. Традиционные современные голосовые ИИ-системы работают иначе: они сначала транскрибируют человеческую речь в текст, из-за чего теряется темп общения и полностью игнорируется эмоциональный контекст. Создатели Dessa подчеркивают, что неспособность искусственного интеллекта распознавать боль, страх или тревогу в голосе пользователя является серьезной уязвимостью в сфере безопасности, особенно по мере того, как технологии становятся более автономными. Новая модель призвана решить эту проблему, считывая тончайшие интонационные нюансы.
На данном этапе Block планирует предоставить ранний доступ к технологии лишь ограниченному кругу исследователей, чтобы тщательно протестировать аспекты безопасности перед массовым релизом.
