Block pokazał Dessę, model głosowy trenowany wyłącznie na ludzkiej mowie
Block, firma znana ze Square i Cash App, zaprezentowała model mowy o nazwie Dessa. Według The Decoder to, jak twierdzi sama firma, pierwszy model AI zbudowany od zera i trenowany wyłącznie na ludzkiej mowie, bez żadnych danych tekstowych. Na stronie projektu Block pisze: „We trained Dessa from scratch on nothing but human conversation”.
Różnica wobec typowych asystentów głosowych jest w architekturze. Zwykle mowa jest najpierw zamieniana na tekst, a dopiero ten tekst trafia do modelu. Dessa pomija ten etap i operuje bezpośrednio na dźwięku. Block twierdzi, że dzięki temu model wychwytuje emocje, sarkazm, śmiech i pauzy w czasie rzeczywistym, czyli to, co przy transkrypcji ginie.
Model działa w trybie full-duplex: może słuchać i mówić jednocześnie, więc nie musi czekać na koniec wypowiedzi rozmówcy. Block przekonuje, że Dessa „nauczyła się prowadzić rozmowę w czasie rzeczywistym po prostu słuchając”. Zaskakujące są też wymagania sprzętowe. Trening odbył się na jednym systemie NVIDIA GB200 NVL72, a model da się uruchomić lokalnie na MacBooku Pro z układem M4 Max.
Ciekawość i bezpieczeństwo
Jako powody powstania Dessy firma wymienia ciekawość, chęć poprawy komunikacji między człowiekiem a AI oraz kwestie bezpieczeństwa. Argument jest taki, że obecne systemy głosowe ignorują sygnały emocjonalne.
Modelu nie można na razie pobrać ani przetestować publicznie. Zespół szuka najpierw badaczy bezpieczeństwa AI, którzy sprawdzą, czy Dessa nie ma nieoczekiwanych zagrożeń. Chętni mogą zgłaszać się przez formularz.
Nie pierwsza próba
Emocjonalna voice AI nie jest nowym pomysłem, a dotychczasowe próby nie zrobiły przełomu. W marcu 2024 roku startup Hume AI uruchomił EVI (Empathic Voice Interface), reklamowany jako głos z „inteligencją emocjonalną”. We wrześniu 2024 Kyutai pokazało Moshi. Projekt LAION Open Empathic od końca 2023 roku pracuje nad empatyczną syntezą mowy na otwartym zbiorze audio. OpenAI w czerwcu 2025 przebudowało Advanced Voice Mode w ChatGPT i od tamtej pory dopracowuje intonację, pauzy oraz oznaki empatii i sarkazmu.
The Decoder zwraca uwagę, że brzmienie emocjonalne to nie to samo co bycie emocjonalnym ani inteligentnym, nawet jeśli robi takie wrażenie. W zaawansowanych systemach głosowych ważniejsze od naturalności głosu bywa np. rozumowanie w trakcie odpowiadania, bo to ono wpływa na jakość odpowiedzi. Deklaracje o wychwytywaniu emocji i sarkazmu pochodzą od samej firmy.
