Block представила Dessa — повнодуплексну мовленнєву модель, навчену лише на мовленні
Дослідницька лабораторія Block у сфері ШІ випустила Dessa — повнодуплексну мовленнєву модель, навчену лише на людських розмовах. Block оголосила про неї 23 жовтня 2026 року як про дослідницьку попередню версію. Dessa — це модель перетворення мовлення на мовлення від Block, яка одночасно слухає та говорить. Block заявляє, що не використовувала ані тексту, ані попередньо навчених моделей. Це відрізняється від текстоцентричних стеків, на яких сьогодні працює більшість голосових агентів.
Коротко
- Працює на: MacBook Pro M4 Max або потужнішому комп’ютері локально, швидше за реальний час.
- Продуктивність: Поки що лише демонстраційна версія. Живі записи демонструють репліки-підтвердження, сміх посеред речення та природні перебивання.
- Найкраще: Навчання виконувалося на 1 стійці NVIDIA GB200 NVL72 (72 графічні процесори). Moshi використовувала 1 016 графічних процесорів H100.
- Найгірше: Опубліковано 0 результатів бенчмарків. Немає ваг, наукової статті, API або ціни.
Що таке Dessa від Block?
Dessa — це справжня модель перетворення мовлення на мовлення: аудіо на вході, аудіо на виході. Згідно зі сторінкою проєкту Block, усе, що вона знає, походить із людського мовлення.
Вона є повнодуплексною, тож слухає, поки говорить. Block заявляє, що модель навчилася на реальних розмовах розуміти, коли можна втрутитися в розмову. Вона також навчилася використовувати короткі репліки-підтвердження на кшталт «так» або «зрозуміло».
Демонстраційні відео Block показують, як Dessa сміється посеред речення та говорить голосніше, коли її просять говорити голосніше. В одному з фрагментів вона розмовляє з GPT-Live-1 від OpenAI. Block заявляє, що ніхто не керував жодним із фрагментів.
Як працює навчання лише на мовленні?
Більшість голосових систем поєднують 3 компоненти: розпізнавання мовлення, текстову модель, а потім синтез мовлення. Команда Block стверджує, що такий ланцюжок втрачає емоції, сарказм, сміх і зітхання. Dessa безпосередньо сприймає та відтворює ці сигнали.
Block не опублікувала архітектуру. Ось що компанія розкрила:
- Навчальні дані: лише аудіо людських розмов. Без тексту та попередньо навчених моделей.
- Обчислювальні ресурси: 1 NVIDIA GB200 NVL72, яка поєднує 72 графічні процесори Blackwell і 36 процесорів Grace.
- Ефективність використання даних: Block заявляє, що Dessa навчилася мови, використавши в сотні разів менше слів, ніж потрібно великим мовним моделям.
- Інференс: швидше за реальний час на MacBook Pro M4 Max або потужнішому комп’ютері.
Лабораторія також пояснює, чому це складно. Мовлення ніколи не повторюється точно. Вимовлене слово займає в тисячі разів більше байтів, ніж те саме слово в тексті.
Moshi від Kyutai, найвідоміша відкрита повнодуплексна модель, використовує інший підхід. Moshi починає з основи текстової мовної моделі та передбачає синхронізовані в часі текстові токени перед аудіотокенами. Її картка моделі містить дані про 7 мільйонів годин попередньо навчального аудіо та 1 016 графічних процесорів H100.
Як Dessa порівнюється з Moshi, PersonaPlex і GPT-Live-1?
| Характеристика | Dessa (Block) | Moshi (Kyutai) | PersonaPlex-7B-v1 (NVIDIA) | GPT-Live-1 (OpenAI) |
|---|---|---|---|---|
| Початкова основа | Лише мовлення, без тексту та попередньо навченої моделі | Основа текстової мовної моделі Helium плюс аудіо | Доопрацьована на основі ваг Moshi (Moshiko) | Не розкрито; передає міркування серверному агенту |
| Кількість параметрів | Не розкрито | 8B (згідно зі списком на Hugging Face) | 7B (картка моделі) | Не розкрито |
| Обчислювальні ресурси для навчання | 1 GB200 NVL72 (72 графічні процесори) | 1 016 графічних процесорів H100 | Не розкрито | Не розкрито |
| Навчальне аудіо | Не розкрито | 7 млн годин без учителя, 2 000 годин Fisher, 20 000 годин синтетичних даних | Англійська Fisher, менше ніж 10 000 годин | Не розкрито |
| Затримка | Не розкрито («швидше за реальний час») | 200 мс на практиці, 160 мс теоретично | 0,170 с для початку репліки, 0,240 с для перебивання (FullDuplexBench) | Не розкрито на сторінці моделі |
| Ваги та ліцензія | Не опубліковано | Відкриті, CC-BY 4.0 | Відкриті, NVIDIA Open Model License | Закриті |
| Працює на | MacBook Pro M4 Max або потужнішому комп’ютері | Графічному процесорі; контрольні точки MLX, Candle і PyTorch | NVIDIA A100 / H100, Linux | Хмарі OpenAI |
| Доступ і ціна | Дослідницька попередня версія, список очікування | Безкоштовне завантаження | Безкоштовне завантаження (з обмеженим доступом) | API, $0,05 за хвилину голосового шару |
Ключові висновки
- Dessa є повнодуплексною моделлю перетворення мовлення на мовлення, навченою лише на аудіо людських розмов.
- Block навчила її на 1 стійці GB200 NVL72; Moshi використовувала 1 016 H100.
- Вона працює локально на MacBook Pro M4 Max, швидше за реальний час.
- Block опублікувала 0 результатів бенчмарків, не вказала кількість параметрів і не опублікувала ваги.
- Доступ надається через список очікування.
Перегляньте сторінку проєкту Dessa. Порівняйте її з науковою статтею про Moshi, карткою моделі PersonaPlex та документацією GPT-Live-1. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого сабреддіту про машинне навчання зі 150 тисячами+ учасників та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.
Хочете співпрацювати з нами для просування вашого репозиторію GitHub, сторінки на Hugging Face, випуску продукту, вебінару тощо? Зв’яжіться з нами
Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.