Block, das von dem ehemaligen Twitter-Chef Jack Dorsey gegründete Unternehmen, hat ein neues Sprach-KI-Modell namens Dessa vorgestellt. Das Hauptmerkmal der Entwicklung ist der vollständige Verzicht auf Textdaten während des Trainings: Das System verarbeitet und versteht ausschließlich Audioaufnahmen menschlicher Gespräche. Den Entwicklern zufolge ermöglicht dieser Ansatz dem Modell, kleinste Nuancen der gesprochenen Sprache wie Intonation, Pausen und emotionale Färbung einzufangen und eine möglichst natürliche Interaktion zu gewährleisten.

Architektur ohne Textschicht

Herkömmliche Sprachassistenten und moderne Konversations-KI-Modelle nutzen in der Regel eine mehrstufige Architektur. Zunächst wird der gehörte Ton mithilfe von Spracherkennungsmodulen in Text umgewandelt, dann wird die Textanfrage von einem Sprachmodell verarbeitet und schließlich die Antwort wieder in ein Sprachformat synthetisiert. Dieser Ansatz führt unweigerlich zum Verlust emotionaler Nuancen, Intonationen und des natürlichen Rhythms der Konversation.

Im Gegensatz zu klassischen Systemen arbeitet das Dessa-Modell auf Basis direkter Audiosignale ohne Zwischentextstufe. Dies ermöglicht der künstlichen Intelligenz nicht nur, die Worte des Gesprächspartners zu hören, sondern gleichzeitig auch dessen emotionalen Zustand zu analysieren. Das System ist in der Lage, direkt während des Gesprächs sofort auf Sarkasmus, Lachen, Stimmschwankungen oder Tonhöhenänderungen zu reagieren, wodurch die Kommunikation praktisch von einem Dialog mit einem echten Menschen kaum zu unterscheiden ist.

Möglichkeiten des Vollduplex-Modus

Die Neuentwicklung unterstützt die Vollduplex-Kommunikation, was die Fähigkeit bedeutet, gleichzeitig zuzuhören und zu sprechen. Dadurch kann die künstliche Intelligenz rechtzeitig pausieren, auf Äußerungen des Gesprächspartners reagieren oder ihn je nach Gesprächskontext sogar unterbrechen. Während interner Tests zeigte das System die Fähigkeit, vergessene Filmtitel eigenständig zu ergänzen oder die Sprechweise auf Wunsch des Benutzers zu ändern.

Neben einer hohen Anpassungsfähigkeit zeichnet sich das Modell durch seine Hardware-Effizienz aus. Für das Training nutzten die Ingenieure nur einen einzigen Hochleistungsserver mit Grafikprozessoren, und die fertige Version kann vollständig lokal auf MacBook Pro-Laptops mit Apple M4 Max-Chips und höher betrieben werden. Die Audioverarbeitungsgeschwindigkeit übertrifft die Echtzeit, wodurch Verzögerungen im Dialog vollständig ausgeschlossen werden.

Veröffentlichungsperspektiven und Verfügbarkeit

Derzeit wurde das Sprachmodell Dessa noch nicht für die breite Öffentlichkeit freigegeben. Die Entwickler gewähren einen eingeschränkten Testzugang ausschließlich an Fachleute für künstliche Intelligenzsicherheit zur Durchführung unabhängiger Prüfungen. Alle anderen interessierten Nutzer können sich auf den offiziellen Ressourcen des Unternehmens in eine Warteliste eintragen, während das Team die Vorbereitungen für den kommerziellen Start abschließt.