Block представя Dessa — пълнодуплексен речеви модел, обучен само с реч
Изследователската лаборатория за изкуствен интелект на Block пусна Dessa — модел за двупосочна реч, обучен единствено върху човешки разговори. Block го обяви на 23 октомври 2026 г. като изследователска предварителна версия. Dessa е модел от Block, който преобразува реч в реч и слуша и говори едновременно. Block твърди, че не е използван текст или предварително обучени модели. Това е различен дизайн от базираните първо на текст архитектури, стоящи зад повечето гласови агенти днес.
Накратко
- Работи на: MacBook Pro M4 Max или по-нов модел, локално и по-бързо от реалното време.
- Представяне: Засега е само демонстрация. Записите на живо показват кратки реакции, смях по средата на изречението и естествени прекъсвания.
- Най-добро: Обучен на 1 стелаж NVIDIA GB200 NVL72 (72 GPU). Moshi е използвал 1 016 GPU H100.
- Най-лошо: 0 публикувани резултата от бенчмаркове. Няма тегла, научна статия, API или цена.
Какво представлява Dessa на Block?
Dessa е истински модел от реч към реч: аудио на входа, аудио на изхода. Според страницата на проекта на Block всичко, което моделът знае, е придобито от човешка реч.
Той е двупосочен, така че слуша, докато говори. Block твърди, че е научил от реални разговори кога да се намесва. Научил е и кога да използва кратки реплики за обратна връзка като „да“ или „разбрах“.
Демонстрационните клипове на Block показват как Dessa се смее по средата на изречение и говори по-силно, когато го помолят да повиши глас. В един от клиповете тя разговаря с GPT-Live-1 на OpenAI. Block твърди, че никой не е насочвал нито един от клиповете.
Как работи обучението само с реч?
Повечето гласови системи свързват 3 части: разпознаване на реч, текстов модел и след това синтез на реч. Екипът на Block твърди, че тази верига изхвърля емоцията, сарказма, смеха и въздишките. Dessa чува и възпроизвежда тези сигнали директно.
Block не е публикувал архитектурата. Ето какво е разкрил:
- Обучителни данни: само аудио от човешки разговори. Без текст и без предварително обучени модели.
- Изчислителен ресурс: 1 NVIDIA GB200 NVL72, който свързва 72 Blackwell GPU и 36 Grace CPU.
- Ефективност на данните: Block твърди, че Dessa е научил езика от стотици пъти по-малко думи, отколкото са нужни на LLM.
- Извеждане: по-бързо от реалното време на MacBook Pro M4 Max или по-нов модел.
Лабораторията обяснява и защо това е трудно. Речта никога не се повтаря по абсолютно същия начин. Произнасянето на една дума изисква хиляди пъти повече байтове от същата дума в текстов вид.
Moshi на Kyutai, най-известният отворен двупосочен модел, използва друг подход. Moshi започва от основа на текстов езиков модел и прогнозира времево синхронизирани текстови токени преди аудио токените. Неговата карта на модела посочва 7 милиона часа предварително обучено аудио и 1 016 GPU H100.
Как Dessa се сравнява с Moshi, PersonaPlex и GPT-Live-1?
| Характеристика | Dessa (Block) | Moshi (Kyutai) | PersonaPlex-7B-v1 (NVIDIA) | GPT-Live-1 (OpenAI) |
|---|---|---|---|---|
| Изходна точка | Само реч, без текст и без предварително обучен модел | Основа от текстовия LM Helium плюс аудио | Фино настроен от теглата на Moshi (Moshiko) | Не е разкрито; делегира разсъжденията на бекенд агент |
| Параметри | Не е разкрито | 8B (според списъка в Hugging Face) | 7B (карта на модела) | Не е разкрито |
| Изчислителен ресурс за обучението | 1 GB200 NVL72 (72 GPU) | 1 016 GPU H100 | Не е разкрито | Не е разкрито |
| Аудио за обучение | Не е разкрито | 7 млн. ч. без надзор, 2 000 ч. Fisher, 20 000 ч. синтетично | Английски Fisher, под 10 000 ч. | Не е разкрито |
| Латентност | Не е разкрито („по-бързо от реалното време“) | 200 мс на практика, 160 мс теоретично | 0,170 сек. за поемане на реда, 0,240 сек. за прекъсване (FullDuplexBench) | Не е разкрито на страницата на модела |
| Тегла и лиценз | Не са публикувани | Отворен, CC-BY 4.0 | Отворен, NVIDIA Open Model License | Затворен |
| Работи на | MacBook Pro M4 Max или по-нов модел | GPU; контролни точки за MLX, Candle и PyTorch | NVIDIA A100 / H100, Linux | Облакът на OpenAI |
| Достъп и цена | Изследователска предварителна версия, списък с чакащи | Безплатно изтегляне | Безплатно изтегляне (с ограничен достъп) | API, $0,05 на минута за гласовия слой |
Основни изводи
- Dessa е двупосочен модел от реч към реч, обучен единствено върху аудио от човешки разговори.
- Block го е обучил на 1 стелаж GB200 NVL72; Moshi е използвал 1 016 H100.
- Работи локално на MacBook Pro M4 Max, по-бързо от реалното време.
- Block е публикувал 0 бенчмарка, няма данни за броя параметри и няма тегла.
- Достъпът е чрез списък с чакащи.
Разгледайте страницата на проекта Dessa. Сравнете я с научната статия за Moshi, картата на модела PersonaPlex и документацията за GPT-Live-1. Също така, можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия 150k+ ML SubReddit и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.
Имате нужда от партньор за популяризирането на вашето GitHub хранилище ИЛИ страница в Hugging Face ИЛИ представяне на продукт ИЛИ уебинар и т.н.? Свържете се с нас
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.