Block представила локальную голосовую модель Dessa с полнодуплексным диалогом
Block представила голосовую модель Dessa, созданную в исследовательской лаборатории компании: она обучена полностью на человеческой речи, запускается на одной GPU NVIDIA и поддерживает полнодуплексный разговор. По заявлению Block, модель способна одновременно слушать собеседника и отвечать, а на потребительском оборудовании ей достаточно уровня MacBook M4 Max или более производительной системы.
Ставка на речь без промежуточного текста
В Block считают, что многие современные голосовые ИИ-системы теряют важную часть сигнала, когда сначала преобразуют голос в текст, а затем генерируют ответ. Такой конвейер не передаёт интонацию, темп, паузы и другие признаки, которые присутствуют в живой речи.
Dessa работает по схеме speech-to-speech: её знания, как утверждает компания, формируются из разговорных данных. Block называет модель полнодуплексной, то есть способной говорить и слушать одновременно. Аналогичный принцип использует GPT-Live, представленный OpenAI ранее в этом году.
В опубликованных примерах Dessa меняет темп и эмоциональную окраску голоса в зависимости от содержания диалога. Среди демонстраций есть разговор, где агент говорит об усталости после работы соответствующей интонацией, а также игра в угадывание. Block заявляет, что эмоция встроена в модель; при этом компания не уточнила, управляется ли она какими-либо внутренними тегами.
Локальный запуск и проверка рисков
Публичного доступа к Dessa пока нет. Вместо этого Block пригласила исследователей безопасности протестировать модель. Такая проверка важна для сценариев, в которых голосовой агент способен ввести в заблуждение человека на другом конце разговора.
Компания уже развивает финансовые продукты и решения для малого бизнеса, а Square применяет голосовой ИИ для обработки заказов. Собственная модель, которую можно запускать на устройстве, потенциально расширяет набор голосовых сценариев без обязательной удалённой обработки.
Практический вывод для компаний состоит в том, что более естественный голос не отменяет необходимости контроля. Перед внедрением стоит отдельно оценить условия локального запуска, качество распознавания в реальных диалогах и меры против выдачи синтетического голоса за человека.