Block میگوید مدل گفتاری Dessa فقط با صدای انسان آموزش دیده
Block، شرکت پشت Square و Cash App، از Dessa رونمایی کرد؛ مدل گفتار به گفتار تمامدوطرفهای که میگوید بدون متن و مدل پیشآموزشدیده ساخته شده است.

فهرست مطالب
Block، شرکت پشت Square و Cash App، از Dessa رونمایی کرده است؛ مدل گفتار به گفتار تمامدوطرفه (full-duplex) از آزمایشگاه پژوهشی کوچک خودش. Block میگوید این مدل فقط با مکالمههای انسانی و از صفر آموزش دیده است، اما مدل هنوز عمومی نیست و معیار مستقلی هم برای ارزیابیاش منتشر نشده است.
Block دقیقاً چه میگوید؟
طبق صفحه رسمی Dessa، مدل «از صفر و تنها با مکالمه انسانی» آموزش دیده است: بدون متن و بدون مدل پیشآموزشدیده. Block میگوید Dessa زبان را از «چند صد برابر کلمه کمتر» نسبت به مدلهای زبانی بزرگ (LLM) یاد گرفته است. به گفته Block، آموزش روی یک رک NVIDIA GB200 NVL72 انجام شده است.
سرپرست آزمایشگاه Ragavan Thurairatnam است و طبق صفحه رسمی، این آزمایشگاه مستقیم به جک دورسی (Jack Dorsey) گزارش میدهد. خود دورسی هم طبق گزارش TechCrunch نوشته که صدا طبیعیترین راه تعامل با هوش مصنوعی است و گفتگو با Dessa شبیه حرف زدن با یک آدم است.
تمامدوطرفه یعنی چه؟
بیشتر دستیارهای صوتی هنوز خط لولهای شامل سه بخش دارند: تشخیص گفتار (ASR)، مدل زبانی و تبدیل متن به گفتار (TTS). متن در این مسیر واسطه است و لحن، مکث و خنده در تبدیل به متن کمرنگ میشود. Block میگوید هوش مصنوعی صوتی فعلی تقریباً نسبت به احساس موجود در صدا ناشنواست.
مدل گفتار به گفتار مستقیم صدا را میگیرد و صدا تولید میکند. تمامدوطرفه بودن هم یعنی مدل همزمان گوش میدهد و حرف میزند؛ پس در اصل میتواند وسط حرف بپرد یا با «آهان» و «جدی؟» تأیید کوتاه بدهد. Block ادعا میکند Dessa همین کارها را میکند و خنده، آه کشیدن، طعنه و بغض را هم میشنود و تولید میکند. برای شنیدن نمونهٔ فارسی گفتار، صدای فارسی در گیسو را ببینید.
اجرا روی لپتاپ
Block میگوید استنتاج Dessa سریعتر از زمان واقعی و بهصورت محلی روی MacBook Pro M4 Max یا قویتر انجام میشود. اگر درست باشد، یعنی بدون سرور ابری هم میشود چنین مدلی را اجرا کرد؛ مسیری شبیه مدل کدنویسی Flint برای لپتاپ. جزئیاتی مثل تعداد پارامترها یا تأخیر اندازهگیریشده در منابع ما نیامده است.
دسترسی و دموها
Dessa عمومی نیست. دسترسی زودهنگام فقط به گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی داده شده و صفحه رسمی فرم درخواستی دارد که ایمیل دانشگاه، شرکت یا آزمایشگاه میخواهد. Block میگوید هدفش پیدا کردن خطرهایی است که تیم پیشبینی نکرده است.
دموهای صفحه رسمی ضبط زنده و بدون هدایتاند؛ زیرنویسها بعداً اضافه شدهاند. دو دمو گفتگوی Dessa با GPT-Live-1 است، مدلی متعلق به شخص ثالث. Block تأکید میکند توسعهدهنده آن وابسته به Block نیست و Dessa را بررسی یا تأیید نکرده است.
نگرانیها و تردیدها
TechCrunch مینویسد آزمایش توسط پژوهشگران ایمنی احتمالاً برای یافتن مواردی است که یک عامل صوتی بتواند آدمها را فریب دهد؛ این برداشت خود رسانه است، نه توضیح رسمی Block. The Decoder هم یادآوری میکند احساساتی به نظر رسیدن با احساسی یا هوشمند بودن یکی نیست و برای کیفیت پاسخ، توانایی استدلال مهمتر از طبیعی بودن صداست.
برای توسعهدهندهها چه معنایی دارد؟
چون مدل عمومی نیست و در منابع ما از API یا وزن منتشرشده خبری نیست، فعلاً چیزی برای ادغام وجود ندارد. اما جهت حرکت روشن است: لایه متن از مسیر صدا کنار میرود. اگر محصول صوتی میسازید، منطق قطع کلام و تأیید کوتاه را به مدل بسپارید یا خودتان کنترل کنید؟ این پرسش مهمتر خواهد شد. تا ارزیابی مستقل، همه ادعاهای بالا را ادعای Block بدانید.




دیدگاهها
دیدگاهها پس از بررسی تحریریه منتشر میشوند. توهین، تبلیغ و لینکهای بیربط حذف میشوند؛ نقد فنی و مستند همیشه خوشآمد است.
هنوز کسی چیزی ننوشته. اولین دیدگاه را شما ثبت کنید.