Block prezentē Dessa — cilvēcīgu pilnīga duplekss balss AI modeli

Attēls: TechCrunch · Avots

Block prezentē Dessa, pilnīga duplekss balss mākslīgo intelektu, kas atdarinās dabisko cilvēka runu ar emocionālām niansēm un darbojas lokāli, lietotāja līmeņa aparatūrā, piemēram, MacBook M4 Max.

Tehnoloģiju uzņēmums Block, ko līdzīpašnieks ir Džeks Dorsijs, ir savā pētniecības laboratorijā izstrādājis jaunu balss modeli ar nosaukumu Dessa. Atšķirībā no daudziem esošajiem runas modeļiem, kas pārveido balsi tekstā un zaudē lielu daļu emocionālo niansi, Dessa darbojas pilnībā balss formātā, ļaujot tai skanēt pārsteidzoši cilvēciski, atainojot autentiskas izpausmes, piemēram, smieklus, pauzes un pat raudas. Uzņēmums raksturo Dessa kā visautentiskāko pilnīga duplekss runas modeli, kas jebkad izveidots, spējīgu runāt un klausīties vienlaicīgi, līdzīgi kā OpenAI GPT-Live modelis.

Dessas dizains nodrošina spēju izteikt emocijas un dabiska ritma kvalitāti sarunu laikā, jo modelis ir pilnībā apmācīts uz cilvēka runas datiem, izmantojot vienu NVIDIA GPU. Tas atšķiras no daudziem pašreizējiem runas mākslīgā intelekta risinājumiem, kuri paļaujas uz teksta starpnieklietojumu un balss marķējumiem, lai pievienotu emocijas, kas dažkārt noved pie mākslīgiem vai monotoniem rezultātiem. Block apgalvo, ka emocijas ir iekšēji integrētas Dessas runas ģenerēšanā, lai gan nav skaidri sniegts, vai tiek izmantotas konkrētas emocionālās vadības mehānismi, piemēram, marķējumi.

Uzņēmuma sniegtajos piemēros modelis demonstrē dažādas emocionālās noskaņas; vienā gadījumā Dessa izklausās nogurusi, runājot par nogurumu, bet citā – tā izrāda neaizsargātību kā reakciju uz cilvēka mierinājumu. Šīs mijiedarbības uzsver modeļa spēju dinamiskā veidā pielāgot ritmu, toni un emocionālo dziļumu. Turklāt spēļu demonstrācijas atspoguļo Dessas interaktīvās spējas reāllaikā, izceļot tā pilnīga duplekss funkcionalitāti.

Nozīmīgi ir tas, ka Dessa var darboties lokāli uz patērētāju klases aparatūras, piemēram, MacBook M4 Max, kas sola plašāku pieejamību bez atkarības no mākoņdatošanas. Šī lokālā darbība ne tikai uzlabo atbildes ātrumu, bet arī pastiprina privātumu un samazina ekspluatācijas izmaksas. Tomēr šobrīd Dessa nav publiski pieejama. Block sadarbojas ar drošības pētniekiem, lai rūpīgi izvērtētu modeli, izrādot piesardzību īpaši saistībā ar ētiskajiem aspektiem, piemēram, iespējamību ļaunprātīgai lietošanai, lai maldinātu lietotājus.

Lai gan pašlaik Block galvenokārt darbojas finanšu un mazo uzņēmumu risinājumu jomā, izmantojot balss AI tādām darbībām kā pasūtījumu veikšana, sarežģītas balss modeļa, piemēram, Dessa, īpašnieks varētu būtiski paplašināt piedāvājumu klāstu. Ierīcē balstīts balss AI var radīt jaunas biznesa un lietotāju iespējas ar bagātīgākām un cilvēcīgākām mijiedarbībām par zemākām izmaksām. Turpinot pilnveidot Dessu un risināt drošības jautājumus, šīs attīstības posms var nozīmēt nozīmīgu soli uz priekšu balss mākslīgā intelekta tehnoloģijā, integrējot dabisku cilvēka izteiksmīgumu tieši AI runas rezultātā.