Block predstavio lokalni full-duplex glasovni model Dessa
Block, kompanija koju vodi Jack Dorsey, predstavila je Dessa, glasovni model iz svog istraživačkog laboratorijuma koji može istovremeno da sluša i govori. Kompanija navodi da je model obučen u potpunosti na ljudskom govoru i na jednom NVIDIA GPU-u, a da lokalno može da radi na računarima potrošačke klase, poput MacBook M4 Max uređaja ili snažnijeg hardvera.
Razgovor bez tekstualnog međukoraka
Dessa je opisana kao full-duplex model: sagovornik i sistem mogu da govore i slušaju u isto vreme. Taj pristup je sličan modelu GPT-Live koji je OpenAI predstavio ranije ove godine, dok se kod uobičajenih glasovnih sistema govor često povezuje sa velikim jezičkim modelom radi pristupa znanju.
Block tvrdi da znanje modela Dessa potiče iz razgovornih podataka na kojima je obučen. Kompanija ističe da tekstualni korak u lancu obrade kod postojećih sistema može da ukloni informacije koje se ne prenose samim rečima, kao što su ritam, pauze i emocionalna boja glasa.
Glasovni sistemi često koriste oznake za usmeravanje emocije pri generisanju govora. Kao primere takvog pristupa tekst navodi ElevenLabs v4 i Fish Audio Drama 3. Block, nasuprot tome, saopštava da su emocija i nijanse ugrađene u sam model, ali nije razjašnjeno da li se njima upravlja dodatnim oznakama.
Demonstracije i bezbednosno testiranje
Istraživači Blocka objavili su primere razgovora u kojima Dessa menja glas, kadencu i emotivni izraz. U jednoj demonstraciji sistem govori da je umoran od posla i pritom zvuči umorno. U drugoj pokazuje emocionalan glas tokom razgovora, a objavljen je i primer igre pogađanja sa glasovnim asistentom.
Model zasad nije javno dostupan. Block je pozvao bezbednosne istraživače da ga testiraju, što je posebno važno za scenarije u kojima bi glasovni agent mogao da dovede sagovornika u zabludu. Prirodniji sintetički glas povećava potrebu za proverom identiteta i jasnim pravilima korišćenja u kontaktu sa korisnicima.
Poslovni kontekst lokalnog izvršavanja
Block posluje u finansijskom sektoru i prodaje rešenja malim preduzećima, dok Square već koristi glasovnu veštačku inteligenciju za obradu porudžbina. Sopstveni model koji može da se izvršava na uređaju mogao bi da omogući širi skup poslovnih i potrošačkih iskustava uz niže troškove, kako kompanija navodi.
Za preduzeća je praktičan zaključak da lokalno izvršavanje i prirodniji tok razgovora treba posmatrati zajedno sa bezbednosnim testiranjem: pre uvođenja glasovnog agenta potrebno je proceniti način obrade podataka, mogućnost obmane i ograničenja sistema.