მოდელი საჯაროდ ჯერ არ გამოსულა და მასზე წვდომა მხოლოდ უსაფრთხოების მკვლევრების მცირე ჯგუფს აქვს.
Jack Dorsey-ს ამერიკულმა საგადასახადო კომპანია Block-მა, რომელიც Square-სა და Cash App-ს ფლობს, 23 ოქტომბერს საკუთარ ვებგვერდზე ახალი ხმოვანი AI-მოდელი Dessa წარადგინა. ამის შესახებ გამოცემა TechCrunch-მა 24 ოქტომბერს დაწერა. ჩვეულებრივი ხმოვანი ასისტენტებისგან განსხვავებით, Dessa-მ ლაპარაკი წაკითხული ტექსტებიდან კი არა, მხოლოდ ადამიანების საუბრის აუდიოჩანაწერებიდან ისწავლა. ის იცინის, პაუზებს აკეთებს, საუბრისას გისმენთ და MacBook Pro-ზე ინტერნეტის გარეშე მუშაობს.
როგორ სწავლობს მოდელი კითხვის გარეშე
დღევანდელი ხმოვანი ასისტენტების უმეტესობა თქვენს ნათქვამს ჯერ ტექსტად აქცევს, პასუხს ტექსტურ მოდელში ამუშავებს და შემდეგ ისევ ხმად გარდაქმნის. Dessa სხვანაირად მუშაობს. ის პირდაპირ ხმას იღებს და ტექსტის გარეშე ისევ ხმას აბრუნებს. კომპანიის განცხადებით: „ჩვენ Dessa ნულიდან მხოლოდ ადამიანების საუბრებზე გავწვრთვენით“. პროექტის ხელმძღვანელმა, Ragavan Thurairatnam-მა, X-ზე დაწერა, რომ „ეს მეტყველების მოდელებისთვის GPT3-ის მომენტია“.
რას ნიშნავს ეს პრაქტიკაში? მოდელს აქვს ეგრეთ წოდებული full duplex რეჟიმი, რაც მარტივად იმას ნიშნავს, რომ მას შეუძლია, ერთდროულად გისმინოთ და გელაპარაკოთ, ზუსტად ისე, როგორც ცოცხალ ადამიანს. მან იცის, როდის ჩაგერთოთ საუბარში, და მოსმენისას მოკლე რეაქციებსაც გამოხატავს. Dessa აღიქვამს და თავადაც გამოხატავს ემოციას, სარკაზმს, ოხვრასა და სიცილს. თუ რამე სასაცილოა, წინადადების შუაში ეცინება, ხოლო თუ სთხოვთ, რომ ხმამაღლა ილაპარაკოს, ხმას აუწევს. სხვა მოდელები, მაგალითად, ElevenLabs v4, ემოციის გამოსახატავად სპეციალურ ტექსტურ მინიშნებებს იყენებს, თუმცა, TechCrunch-ის ცნობით, ჯერ უცნობია, იყენებს თუ არა Dessa მსგავს მეთოდს.
პატარა გუნდი და მუშაობა პირდაპირ ლეპტოპზე
მოდელი Block-ის ძალიან პატარა კვლევითმა ლაბორატორიამ შექმნა, რომელიც უშუალოდ Jack Dorsey-ს ექვემდებარება. გუნდი ტორონტოში დაფუძნებული სტარტაპის, Dessa-ს, ყოფილმა წევრებმა ჩამოაყალიბეს. ისინი ღრმა დასწავლის მოდელებზე 2012 წლიდან მუშაობენ, ხოლო ხმოვან სისტემებს რვა წელზე მეტია, ქმნიან.
ყველაზე უცნაური ის არის, თუ რა მცირე რესურსი დასჭირდა ამ სისტემის შექმნას. კომპანიის თქმით, მოდელმა ენა ასჯერ უფრო ნაკლები სიტყვით ისწავლა, ვიდრე ეს დიდ ენობრივ მოდელებს სჭირდება. მის გასაწვრთნელად მხოლოდ ერთი NVIDIA GB200 NVL72 სერვერული კარადა გამოიყენეს. მზა მოდელი კი რეალურ დროში სწრაფად რეაგირებს და პირდაპირ MacBook Pro M4 Max-ზე ან უფრო მძლავრ კომპიუტერზე ეშვება. Block-ის სისტემა Square შეკვეთების მისაღებად უკვე იყენებს ხმოვან AI-ს, ხოლო პირდაპირ მოწყობილობაზე მომუშავე მოდელს შეუძლია, მსგავსი სერვისები ბევრად იაფად ამუშაოს.
ოფიციალურ ვიდეოში ჩანს, როგორ ესაუბრება Dessa სხვა დეველოპერის ხმოვან მოდელს, GPT-Live-1-ს. Block-ში განმარტავენ, რომ ამ გარე მოდელის შემქმნელთან კავშირი არ აქვთ. კომპანია კვლევის სამ მიზეზს ასახელებს: ცნობისმოყვარეობას, ადამიანსა და AI-ს შორის უკეთეს ურთიერთგაგებასა და უსაფრთხოებას, რადგან სისტემა, რომელსაც ხმაში ტკივილის ამოცნობა არ შეუძლია, საფრთხეს შეიცავს. ამ ეტაპზე Block-ს არ გამოუქვეყნებია არც სამეცნიერო ნაშრომი, არც ტესტირების შედეგები და არც მოდელის ზუსტი ზომა.
| მოდელის ტიპი | ხმიდან ხმაზე მომუშავე AI (ტექსტის გარეშე) |
| სასწავლო მონაცემები | ასჯერ ნაკლები სიტყვა, ვიდრე დიდ ენობრივ მოდელებში |
| სასწავლო აპარატურა | 1 სერვერული კარადა NVIDIA GB200 NVL72 |
| სამუშაო მოწყობილობა | MacBook Pro M4 Max ან უფრო მძლავრი |
| გუნდის გამოცდილება | ღრმა დასწავლა 2012 წლიდან, ხმოვანი მოდელები 8 წელზე მეტი |
| ხელმისაწვდომობა | დახურული ტესტირება მხოლოდ AI-უსაფრთხოების მკვლევრებისთვის |
წყარო: Block: Dessa, the most authentic full-duplex speech model (23 Oct 2026) | TechCrunch: Block’s new voice model sounds eerily human (24 Oct 2026)
ეს სტატია შეიქმნა AI ხელსაწყოებით, პროცესში ადამიანის ჩართულობა დაახლოებით 10%-ია.
