Компанијата на Џек Дорси, „Block“, претстави нов гласовен AI модел, наречен „Dessa“, кој функционира локално на компјутер и вклучува човечки емоции.


Развиен од нивната истражувачка лабораторија, новиот гласовен модел на „Block“ работи локално и звучи неверојатно човечки, вклучувајќи изразни елементи како смеа, паузи и воздишки (па дури и плачење). Според компанијата, „Dessa“ е целосно обучена врз основа на човечки говор, користејќи само еден рек (единица) со графички процесори (GPU) од Nvidia.

„Dessa“ е модел со целосен дуплекс (двонасочен), што значи дека може истовремено да зборува и да слуша – слично на моделот „GPT-Live“ што OpenAI го претстави претходно оваа година. Обично, гласовните модели се поврзуваат со големи јазични модели (LLM) за пребарување и обработка на информации; сепак, од „Block“ наведуваат дека знаењето на „Dessa“ произлегува од податоците за разговор врз кои е обучена.

Од компанијата истакнуваат дека постоечките модели често можат да звучат неприродно или иритирачки, бидејќи се потпираат на текст за да го поттикнат генерирањето говор. Многу од денешните модели – како „ElevenLabs v4“ или „Fish Audio Drama 3“ – користат посебни гласовни ознаки за да предизвикаат емоции при синтезата на говорот. Компанијата на Дорси тврди дека емоциите се вградени директно во нивниот модел, иако останува нејасно дали тие емоции се контролираат преку одредени ознаки или маркери.

„Интеракцијата со денешната вештачка интелигенција базирана на глас може да биде навистина ужасна. Таа го претвора вашиот глас во текст, при што се губи огромна количина информации што самиот текст не може да ги пренесе. Најмоќните системи за вештачка интелигенција во светот не можат да слушнат како се чувствувате. Сметаме дека ова е апсурдно, води до полошо корисничко искуство, па дури е и потенцијално опасно“, наведуваат од компанијата во објава на својот блог.

Истражувачите од компанијата споделија неколку примери на разговори со моделот „Dessa“, во кои агентот демонстрираше различни гласови, ритми на говор и емоции. На пример, во еден случај, ботот спомна дека е уморен од работа – и во тој момент, навистина звучеше уморно.

Во примерот подолу, ботот зборува за пружање утеха на едно лице, при што звучи емотивно – до тој степен што речиси се „крши“ (или плаче). Друг пример прикажува член на тимот на „Block“ како игра игра со гласовниот асистент.

Компанијата наведува дека моделот може да функционира локално на стандарден хардвер наменет за потрошувачите, како што е „MacBook M4 Max“ или некој помоќен уред. Сепак, моделот „Dessa“ моментално не е достапен за јавноста; наместо тоа, „Block“ покани истражувачи од областа на безбедноста да го тестираат. Ова веројатно има за цел да ги испита сценаријата во кои гласовниот агент би можел да го измами лицето од другата страна на линијата.

„Block“ работи во финансискиот сектор, нудејќи им ги своите решенија на малите претпријатија. Нејзината подружница, „Square“, веќе користи вештачка интелигенција заснована на глас за обработка на нарачки. Меѓутоа, со сопствен гласовен модел кој може да работи директно на самиот уред, компанијата може да овозможи значително поголем број деловни и кориснички искуства, притоа намалувајќи ги трошоците.