Нова голосова модель Block звучить моторошно по-людськи
Block Джека Дорсі випустила нову голосову модель із дослідницької лабораторії компанії, яка працює локально й звучить напрочуд по-людськи завдяки таким виразним особливостям, як сміх, паузи та плач. У компанії заявили, що модель під назвою Dessa повністю навчена на людському мовленні та працює на одному графічному процесорі NVIDIA.
Dessa — повнодуплексна модель, тобто вона може одночасно говорити й слухати, так само як модель GPT-Live, яку OpenAI випустила на початку цього року. Зазвичай мовні моделі поєднують із великою мовною моделлю для пошуку інформації. У Block заявили, що знання Dessa походять із наявних у неї даних розмов.
Ми вважаємо, що голос — це найприродніший спосіб взаємодії з інтелектом, тож ми створили Dessa — найавтентичнішу повнодуплексну мовну модель з усіх, які коли-небудь створювали. Розмова з нею схожа на розмову з людиною… сповнена емоцій, нюансів, пауз і природного темпу. https://t.co/r0qFLdvd6c
— jack (@jack) 23 жовтня 2026 року
У Block заявили, що сучасні моделі можуть звучати неприродно й дратувати, оскільки в їхньому процесі є текст, який керує генерацією мовлення. Багато моделей, як-от ElevenLabs v4 або Fish Audio Drama 3 , використовують голосові теги для керування емоціями під час генерації мовлення. Компанія Дорсі стверджує, що емоції вбудовані в її модель. Незрозуміло, чи керують цими емоціями за допомогою певних тегів.
«Взаємодія із сучасним голосовим ШІ може бути просто жахливою. Він перетворює ваш голос на текст і викидає неймовірну кількість інформації, яку сам текст не здатен передати. Найпотужніші ШІ у світі не можуть почути, що ви відчуваєте. Ми вважаємо це абсурдним, адже це погіршує взаємодію і потенційно є небезпечним», — заявили в компанії у дописі в блозі.
Дослідники компанії опублікували кілька прикладів розмов із Dessa, під час яких агент використовував різні голоси, темпи мовлення та емоції. Наприклад, у одній із розмов бот сказав, що втомився після роботи, і в цей момент справді звучав втомлено.
Ми створили першу модель ШІ, з якою можна вести реалістичну розмову і яка повністю навчена на мовленні!
— Ragavan Thurairatnam (@RagavanThurair) 23 жовтня 2026 року
Dessa — це повнодуплексна модель перетворення мовлення на мовлення, яку можна запускати на споживчих графічних процесорах.
Це момент GPT-3 для мовлення. pic.twitter.com/XVD8sSyJn8
У наведеному нижче прикладі бот розповідав про те, як людина робить йому комфортно, водночас звучачи емоційно й майже зриваючись.
Dessa=повнодуплексна мовна модель проти Human=я, https://t.co/1eI6QFHo1w pic.twitter.com/zlZfxH2BA5
— Aydin Polat (@AydinPolatDessa) 23 жовтня 2026 року
Ще один приклад показує, як співробітник Block грає в гру з голосовим асистентом.
Заради любові до гри.
— Block (@blocks) 23 жовтня 2026 року
Подивіться, як Кара грає з Dessa у гру на вгадування. Модель одразу правильно вгадує перше слово, а друге також не змушує себе довго чекати.https://t.co/FDmoXNPpIh pic.twitter.com/I9f8saduEA
У компанії заявили, що модель може працювати локально на комп’ютері споживчого класу, наприклад MacBook M4 Max або новішому. Однак наразі публічного доступу до Dessa немає, а Block закликала дослідників із питань безпеки протестувати модель. Імовірно, це потрібно, щоб перевірити випадки, у яких голосовий агент може обманути людей на іншому кінці лінії.
Block працює у сфері фінансів і продає свої рішення малому бізнесу. Square уже використовує голосовий ШІ для обробки замовлень. Але завдяки власній голосовій моделі, яка може працювати безпосередньо на пристрої, компанія зможе забезпечити набагато більше бізнес- і споживчих сценаріїв за нижчою ціною.
Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.