Block esittelee Dessan, ihmismäisen kaksisuuntaisen ääni-AI-mallin

Kuva: TechCrunch · Lähde

Block lanseeraa Dessan, kaksisuuntaisen ääni-AI:n, joka jäljittelee luonnollista ihmiskieltä tunteikkaasti ja toimii paikallisesti kuluttajaluokan laitteilla, kuten MacBook M4 Maxilla.

Teknologiayritys Block, jonka perustajiin kuuluu Jack Dorsey, on research-laboratorionsa kautta esitellyt uuden ääniälyn mallin nimeltä Dessa. Toisin kuin monet nykyiset puhemallit, jotka muuntavat äänen tekstiksi ja menettävät näin suuren osan tunteen vivahteista, Dessa toimii täysin puheen tasolla mahdollistaen luonnollisen ja aidon ihmismäisen äänen, johon sisältyy naurua, taukoja ja jopa itkua. Yritys kuvailee Dessasta autenttisimmaksi kaksisuuntaiseksi puhemalliksi, joka kykenee puhumaan ja kuuntelemaan samanaikaisesti, kuten OpenAI:n GPT-Live malli.

Dessan suunnittelussa on otettu huomioon kyky välittää tunteita ja luonnollista puheen rytmiä keskusteluissa; malli on koulutettu täysin ihmisen puheesta käyttäen yhtä NVIDIA GPU:ta. Tämä eroaa monista nykyisistä ääni-AI-järjestelmistä, jotka perustuvat tekstivälitteisiin tunteiden sisällyttämiseen ääneen, mikä voi johtaa epäluonnolliseen tai monotoniseen lopputulokseen. Block korostaa, että tunne on sisäänrakennettu Dessan puhesyntetisointiin, vaikka se ei ole tarkentanut, käytetäänkö tunteiden ohjaamiseen esimerkiksi tunnisteita.

Yrityksen jakamissa esimerkeissä malli ilmaisee eri tunteita; toisessa tapauksessa Dessa kuulostaa väsyneeltä puhuessaan väsymyksestä, toisessa se ilmaisee haavoittuvaisuutta reagoidessaan ihmisen lohdutukseen. Nämä vuorovaikutukset korostavat mallin kykyä mukauttaa rytmiä, sävyä ja tunnepitoisuutta dynaamisesti. Lisäksi pelidemonstraatiot näyttävät Dessan vuorovaikutteiset mahdollisuudet reaaliajassa, painottaen sen kaksisuuntaista toimintaa.

Merkittävästi Dessa voi toimia paikallisesti kuluttajaluokan laitteilla kuten MacBook M4 Maxilla, mikä mahdollistaa laajemman saavutettavuuden ilman pilvi-infrastruktuuria. Paikallinen toiminta parantaa reagointinopeutta, vahvistaa yksityisyyttä ja vähentää käyttökustannuksia. Tällä hetkellä Dessa ei kuitenkaan ole julkisesti saatavilla. Block tekee yhteistyötä turvallisuustutkijoiden kanssa mallin perusteelliseen arviointiin käyttäen varovaisuutta erityisesti mallin eettisten vaikutusten, kuten käyttäjien harhaanjohtamisen riskin, vuoksi.

Vaikka Block toimii tällä hetkellä pääosin finanssi- ja pk-yritysten ratkaisujen parissa – käyttäen ääni-AI:ta tilausten tekemiseen – kehittyneen ääni-mallin, kuten Dessa, omistaminen voi laajentaa merkittävästi sen tarjoomaa. Paikallinen ääni-AI voi mahdollistaa uusia liiketoiminta- ja kuluttajasovelluksia, joissa on rikastuneempaa, ihmismäisempää vuorovaikutusta alhaisemmilla kustannuksilla. Jatkaessaan Dessan kehitystä ja turvallisuuskysymyksiin paneutumista Blockin edistysaskel voi merkitä merkittävää harppausta ääni-AI-teknologiassa integroimalla luonnollisen ihmisen ilmaisun suoraan AI:n puhesyntetisaatioon.