Компанія Block, заснована колишнім керівником Twitter Джеком Дорсі, представила нову голосову штучно-інтелектуальну модель під назвою Dessa. Головна особливість розробки полягає у повній відмові від текстових даних під час навчання: система сприймає та обробляє виключно аудіозаписи людських розмов. За словами творців, такий підхід дозволяє моделі вловлювати найменші нюанси усного мовлення, включаючи інтонацію, паузи та емоційне забарвлення, забезпечуючи максимально природну взаємодію.
Архітектура без текстового прошарку
Традиційні голосові помічники та сучасні розмовні моделі штучного інтелекту зазвичай використовують багатоступеневу архітектуру. Спочатку почутий звук перетворюється на текст за допомогою модулів розпізнавання мови, потім текстовий запит обробляється мовною моделлю, після чого відповідь синтезується назад у голосовий формат. Подібний підхід неминуче призводить до втрати емоційних відтінків, інтонацій та природного ритму бесіди.
На відміну від класичних систем, модель Dessa працює на основі прямих аудіосигналів без проміжного текстового етапу. Це дозволяє штучному інтелекту не лише чути слова співрозмовника, але й одночасно аналізувати його емоційний стан. Система здатна миттєво реагувати на сарказм, сміх, коливання голосу чи зміну тональності прямо під час розмови, роблячи спілкування практично невіддільним від діалогу з живою людиною.
Можливості повнодуплексного режиму
Нова розробка підтримує повнодуплексний зв'язок, що означає можливість одночасно слухати і говорити. Завдяки цьому штучний інтелект може вчасно робити паузи, реагувати на репліки співрозмовника або навіть переривати його залежно від контексту бесіди. Під час внутрішніх випробувань система продемонструвала здатність самостійно доповнювати забуті назви фільмів або змінювати манеру мовлення на запит користувача.
Окрім високої адаптивності, модель вирізняється ефективністю в апаратному плані. Для її навчання інженери задіяли лише один високопродуктивний сервер із графічними процесорами, а готова версія здатна функціонувати локально на ноутбуках MacBook Pro, оснащених чипами Apple M4 Max і вище. Швидкість обробки звуку перевищує реальний час, повністю виключаючи затримки у діалозі.
Перспективи релізу та доступність
На поточний момент госова модель Dessa не випущена у відкритий доступ для широкої аудиторії. Розробники надають обмежену можливість тестування виключно профільним фахівцям з безпеки штучного інтелекту для проведення незалежних аудитів і перевірок. Решта користувачів можуть залишити заявку в листі очікування на офіційних ресурсах компанії, поки команда завершує підготовку до повноцінного комерційного запуску.
