Новият гласов модел на Block звучи зловещо човешки
Block на Джак Дорси пусна нов гласов модел от изследователската лаборатория на компанията, който работи локално и звучи странно човешки с израженията си като смях, паузи и плач. Компанията заяви, че моделът, наречен Dessa, е обучен изцяло върху човешка реч и с един графичен процесор NVIDIA.
Dessa е пълнодуплексен модел, което означава, че може да говори и слуша едновременно, точно като модела GPT-Live, който OpenAI пусна по-рано тази година. Обикновено речевите модели се комбинират с голям езиков модел за извличане на знания. От Block заявиха, че знанията на Dessa произтичат от разговорните данни, с които разполага.
Вярваме, че гласът е най-естественият начин за взаимодействие с интелигентността, затова създадохме Dessa — най-автентичния пълнодуплексен речеви модел, създаван някога. Разговорът с него е като разговор с човек… изпълнен с емоция, нюанси, паузи и естествен ритъм. https://t.co/r0qFLdvd6c
— jack (@jack) 23 октомври 2026 г.
От Block заявиха, че настоящите модели могат да звучат неестествено и дразнещо, защото в процеса им има текст, който управлява генерирането на реч. Много модели като ElevenLabs v4 или Fish Audio Drama 3 използват гласови маркери, за да управляват емоцията при генерирането на реч. Компанията на Дорси твърди, че емоцията е вградена в нейния модел. Не е ясно дали тази емоция се управлява от някакъв вид маркери.
„Взаимодействието със съвременния гласов изкуствен интелект може да бъде просто ужасно. Той превръща гласа ви в текст и изхвърля невероятно количество информация, която самият текст не може да предаде. Най-мощните изкуствени интелекти в света не могат да чуят как се чувствате. Смятаме, че това е нелепо, води до по-лошо изживяване и е потенциално опасно“, заяви компанията в публикация в блога си.
Изследователите на компанията публикуваха множество примери за разговори с Dessa, в които агентът има различни гласове, ритъм и емоции. Например в един от разговорите ботът каза, че е уморен от работа, и в този момент звучеше уморено.
Създадохме първия модел на изкуствен интелект, с който можете да водите реалистичен разговор и който е обучен изцяло върху реч!
— Ragavan Thurairatnam (@RagavanThurair) 23 октомври 2026 г.
Dessa е пълнодуплексен модел за преобразуване на реч в реч, който можете да стартирате на потребителски графични процесори.
Това е моментът на GPT-3 за речта. pic.twitter.com/XVD8sSyJn8
В примера по-долу ботът говори за човека, който го кара да се чувства спокоен, като звучи емоционално и почти изпада в срив.
Dessa = пълнодуплексен речеви модел срещу Човека = аз, https://t.co/1eI6QFHo1w pic.twitter.com/zlZfxH2BA5
— Aydin Polat (@AydinPolatDessa) 23 октомври 2026 г.
Друг пример показва член на екипа на Block, който играе игра с гласовия асистент.
За любовта към играта.
— Block (@blocks) 23 октомври 2026 г.
Гледайте как Кара играе игра за отгатване с Dessa. Моделът познава първото веднага, а второто също не отнема много време.https://t.co/FDmoXNPpIh pic.twitter.com/I9f8saduEA
Компанията заяви, че моделът може да работи локално на компютър от потребителски клас, например MacBook M4 Max или по-нов. В момента обаче няма публичен достъп до Dessa, а Block отправи призив към изследователи по безопасността да тестват модела. Вероятно целта е да се проверят случаи, в които гласов агент би могъл да подведе хората от другата страна.
Block работи във финансовия сектор и продава решения на малки предприятия. Square вече използва гласов изкуствен интелект за обработване на поръчки. Но със собствен гласов модел, който може да работи на устройството, компанията може да осигури много повече бизнес и потребителски услуги на по-ниска цена.
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.