Dessa od Blocka ma rozmawiać jak człowiek. Model działa lokalnie

Block zaprezentował model głosowy Dessa, który ma prowadzić rozmowę bez typowego podziału na nagranie, transkrypcję i odpowiedź. System słucha i mówi jednocześnie, a w demonstracjach reaguje śmiechem, pauzą, westchnieniem oraz zmianą tempa wypowiedzi. Firma twierdzi też, że model może działać lokalnie na komputerze z układem Apple M4 Max lub mocniejszym.

Model uczył się z rozmów, nie z tekstu

Najważniejsza deklaracja Blocka dotyczy treningu. Dessa miała powstać wyłącznie na podstawie nagrań ludzkich rozmów, bez tekstu i bez wcześniej wytrenowanego modelu językowego. Oznacza to odejście od popularnego schematu, w którym dźwięk jest najpierw zamieniany na tekst, a dopiero potem analizowany przez model generujący odpowiedź.

Według oficjalnej strony projektu takie podejście ma zachować informacje, które znikają podczas transkrypcji: intonację, rytm, zawahanie i emocje. Block opisuje Dessa jako model speech-to-speech, czyli system, który przyjmuje dźwięk i zwraca dźwięk. W trybie full-duplex nie czeka sztywno na koniec wypowiedzi rozmówcy, lecz może reagować w jej trakcie.

Naturalny głos to dopiero demonstracja

Opublikowane przykłady są efektowne, ale nie zastępują niezależnych testów. W nagraniach Dessa zmienia głos i sposób mówienia zależnie od sceny, a w jednym z przykładów prowadzi rozmowę z innym modelem głosowym. To pokazuje możliwości wybranych demonstracji, nie określa jednak dokładności, odporności na błędy ani jakości działania w niekontrolowanych warunkach.

Block nie podał publicznie liczby parametrów, wyników standardowych benchmarków, listy obsługiwanych języków ani szczegółowych danych o opóźnieniu. Nie ma też jeszcze publicznych wag, API ani cennika. TechCrunch odnotowuje, że dostęp do modelu nie został na razie otwarty dla wszystkich.

Dessa nie jest jeszcze narzędziem dla użytkowników

Block traktuje projekt jako wersję badawczą. Mała grupa badaczy zajmujących się bezpieczeństwem AI może uzyskać wcześniejszy dostęp, aby sprawdzić między innymi, czy bardzo naturalny głos nie ułatwia systemowi wprowadzania ludzi w błąd. Dla pozostałych osób dostęp pozostaje ograniczony do materiałów demonstracyjnych i zapowiedzi.

Jeśli deklaracje dotyczące działania lokalnego się potwierdzą, model może w przyszłości ograniczyć koszty i opóźnienia usług głosowych. Na tym etapie ważniejsza od gotowych zastosowań jest jednak sama teza badawcza: rozmowę da się modelować bez zamiany każdej wypowiedzi na tekst. Jej praktyczną wartość będzie można ocenić dopiero po udostępnieniu modelu do niezależnych testów.

Źródła

• Block: Dessa – the Conversation Model trained only on speech
• TechCrunch: Block’s new voice model sounds eerily human