Block pristato Dessa – žmogaus balso visada dvipusę dirbtinio intelekto sistemą

Vaizdas: TechCrunch · Šaltinis

Block pristato Dessa – visada dvipusę balso dirbtinio intelekto sistemą, imituojančią natūralią žmogaus kalbą su emocine niuansais ir veikiančią vietoje ant tokios įrangos kaip MacBook M4 Max.

Technologijų kompanija Block, kurią vienas iš įkūrėjų yra Jackas Dorsey, per savo tyrimų laboratoriją pristatė naują balso modelį pavadinimu Dessa. Skirtingai nuo daugelio esamų kalbos modelių, kurie verčia balsą į tekstą ir praranda daug emocinių niuansų, Dessa veikia tiesiogiai balso lygyje, leidžiančiam jai skambėti itin žmogiškai su autentiškais išraiškomis, įskaitant juoką, pauzes ir net verkimo garsus. Kompanija apibūdina Dessą kaip patį autentiškiausią visada dvipusį kalbos modelį, galintį kalbėti ir klausytis vienu metu, panašiai kaip OpenAI GPT-Live modelis.

Dessa dizainas leidžia perteikti emocijas ir natūralų kalbos ritmą pokalbių metu, nes modelis yra treniruojamas visiškai remiantis žmogaus kalba naudojant vieną NVIDIA GPU. Tai kontrastuoja su daugeliu dabartinių balso DI sistemų, kurios naudoja teksto tarpininkus ir balso žymes emocijoms įterpti, kas gali sukelti nenatūralius ar monotoniškus rezultatus. Block teigia, kad emocijos yra natūraliai integruotos į Dessos balso generavimą, tačiau neatskleidė, ar naudojamos specifiškos emocijų valdymo priemonės, kaip žymės.

Pavyzdžiai, kuriuos pateikė kompanija, rodo modelio gebėjimą išreikšti skirtingas emocines būsenas; pavyzdžiui, Dessa skamba pavargusi, kalbėdama apie nuovargį, o kitame atvejyje ji išreiškia pažeidžiamumą reaguodama į žmogaus paguodą. Šie pokalbiai išryškina modelio pajėgumą dinamiškai keisti ritmą, toną ir emocinį gilumą. Be to, demonstracijos žaidimų metu pabrėžia Dessos sąveikos galimybes realiu laiku, akcentuodamos jos visalaikišką dvipusį veikimą.

Svarbu pažymėti, kad Dessa gali veikti vietoje ant buitinės klasės įrangos, tokios kaip MacBook M4 Max, kas žada platesnę prieinamumą be priklausomybės nuo debesijos skaičiavimo resursų. Vietinis modelio veikimas ne tik gerina reagavimo laiką, bet ir stiprina privatumą bei mažina veiklos išlaidas. Tačiau šiuo metu Dessa nėra viešai prieinama. Block bendradarbiauja su saugumo tyrėjais, kad kruopščiai įvertintų modelį, rodydama atsargumą ypač dėl etinių aspektų, pavyzdžiui, galimo piktnaudžiavimo sukčiavimui.

Nors Block šiuo metu daugiausia veikia finansų ir smulkaus verslo sprendimų srityje – naudodama balso DI užsakymams atlikti – turėjimas tokio pažangaus balso modelio kaip Dessa gali ženkliai išplėsti jų pasiūlą. Vietoje veikiantis balso DI galėtų suteikti naujas verslo ir vartotojų programas su turtingesniu, žmogiškesniu bendravimu mažesnėmis sąnaudomis. Toliau tobulinant Dessą ir sprendžiant saugumo klausimus, šis modelis žymi galimai reikšmingą balso DI technologijų proveržį, integruojant natūralią žmogaus išraišką tiesiogiai į DI kalbą.