Block prezentē balss modeli Dessa, kas apmācīts tikai ar cilvēku sarunu ierakstiem

Džeka Dorsija vadītais finanšu tehnoloģiju uzņēmums Block 23. oktobrī paziņoja par eksperimentālu runas modeli Dessa. Tas no nulles apmācīts tikai ar cilvēku sarunu ierakstiem, neizmantojot ne tekstu, ne iepriekš apmācītus modeļus. Pagaidām tas ir pētniecības priekšskatījums, un plašai publikai Dessa nav pieejama.

Lielākā daļa balss asistentu runu vispirms pārvērš tekstā, ko apstrādā valodas modelis, un atbildi pēc tam atkal nolasa balsī. Dessa strādā citādi: tā saņem skaņu un atbild ar skaņu. Block uzskata, ka šādi saglabājas tas, ko teksts nespēj nodot, piemēram, intonācija, smiekli, sarkasms, nopūta vai aizlūzusi balss. Pēc TechCrunch teiktā, arī modeļa zināšanas nāk no sarunu datiem, nevis no atsevišķa teksta modeļa.

Dessa ir tā sauktais pilna dupleksa modelis, kas var vienlaikus klausīties un runāt. Uzņēmums apgalvo, ka modelis sarunās pats iemācījies, kad iejaukties un kad ar īsām replikām parādīt, ka klausās. Atbildes tiek ģenerētas ātrāk nekā reāllaikā, un modelis var darboties lokāli datorā MacBook Pro ar M4 Max procesoru vai jaudīgākā. Apmācībai pietika ar vienu Nvidia GB200 NVL72 skaitļošanas sistēmu.

Modeli izstrādājusi neliela Block pētniecības laboratorija, kuru dibinājuši bijušie Toronto dziļās mācīšanās jaunuzņēmuma Dessa darbinieki. Laboratorija atskaitās tieši Dorsijam. Kā iemeslus modeļa izveidei komanda min zinātkāri, labāku savstarpējo sapratni starp cilvēkiem un MI, kā arī drošību.

Uzņēmuma publiskotajos sarunu ierakstos modelis smejas teikuma vidū un emocionāli reaģē uz pārsteigumiem. The Verge raksta, ka dažas sarunas izklausās nedaudz neveiklas un dīvainas. CoinDesk norāda, ka reakcijas dalās. Daļu klausītāju pārsteidz, cik cilvēcīgi modelis skan, bet citi brīdina, ka šāda tehnoloģija var apgrūtināt telefonkrāpnieku atpazīšanu.

Block nav atklājis modeļa izmēru, salīdzinošo testu rezultātus vai publiskās izlaišanas datumu, tāpēc demonstrācijas pagaidām nav neatkarīgi pārbaudītas. Vispirms piekļuvi modelim saņems neliela MI drošības pētnieku grupa, kurai jāatrod riski, ko izstrādātāji nav paredzējuši. Uzņēmums arī cer, ka runas modeļi nākotnē varētu labāk atpazīt, piemēram, cilvēka satraukumu vai sāpes, kas teksta atšifrējumā pazūd.