Block lokal ishlaydigan va insonday eshitiladigan Dessa ovoz modelini taqdim etdi

Block Dessa ovoz modelini taqdim etdi

Jack Dorsey asos solgan Block kompaniyasi kompaniyaning tadqiqot laboratoriyasida ishlab chiqilgan yangi Dessa ovoz modelini taqdim etdi. TechCrunch ma’lumotiga ko‘ra, model lokal ishlaydi va kutilmaganda juda tabiiy, insonday eshitiladi: u kulgi, pauzalar va hatto yig‘lash orqali his-tuyg‘ularni ifodalaydi. Kompaniya Dessa faqat inson nutqi asosida, bitta NVIDIA GPU stoykasida o‘qitilganini ma’lum qildi.

Matn konveyerisiz to‘liq dupleks arxitektura

Dessa — to‘liq dupleks model: u bir vaqtda gapirishi ham, tinglashi ham mumkin, OpenAI bu yil boshida chiqargan GPT-Live modeli kabi. Odatda ovoz modellari bilim olish uchun katta til modeli bilan juftlashtiriladi, biroq Block Dessaning bilimlari uning suhbat ma’lumotlaridan kelib chiqishini bildiradi. Kompaniya ta’kidlashicha, mavjud modellarning tabiiy eshitilmasligining sababi — ularning konveyerida nutqni boshqaruvchi matn borligi; ElevenLabs v4 kabi modellar yoki Fish Audio Drama 3his-tuyg‘ularni yetkazish uchun ovoz teglaridan foydalanadi. Block his-tuyg‘ular uning modeliga o‘zi singdirilganini ta’kidlaydi, biroq TechCrunch ular qandaydir teglar orqali boshqarilayotgani yoki yo‘qligi aniq emasligini qayd etadi.

Namoyishlar va mavjud ovoz sun’iy intellektiga tanqid

Block o‘z blogida: «Hozirgi ovoz sun’iy intellekti bilan muloqot juda yomon bo‘lishi mumkin. U ovozingizni matnga aylantiradi va matn o‘zi yetkaza olmaydigan ulkan miqdordagi ma’lumotni yo‘qotib yuboradi. Dunyodagi eng qudratli sun’iy intellektlar ham sizning o‘zingizni qanday his qilayotganingizni eshitolmaydi», — deb yozgan edi. Kompaniya tadqiqotchilari Dessa bilan suhbatlarning bir necha namunasini e’lon qildi, bunda model turli ovozlar, intonatsiyalar va his-tuyg‘ulardan foydalangan: bir suhbatda bot ishdan charchaganini aytdi va charchagan ovozda gapirdi; boshqasida deyarli his-tuyg‘ularga berilib ketti; uchinchisida Block xodimasi yordamchi bilan topish o‘yinini o‘ynadi, model uni tez topib oldi. Jack Dorsey X tarmog‘ida: «U bilan suhbat inson bilan gapirgandek tuyuladi… his-tuyg‘u, noziklik, pauza va tabiiy ritmga to‘la», — deb yozdi. Tadqiqotchi Ragavan Thurairatnam Dessani «nutq uchun GPT-3 lahzasi» deb atadi.

Lokal ishga tushirish va kirish imkoniyati

Kompaniya aytishicha, model MacBook M4 Max yoki undan kuchliroq kabi iste’molchi kompyuterida lokal ishlashi mumkin. Dessaga ochiq kirish hozircha yo‘q: Block modelni sinash uchun xavfsizlik tadqiqotchilarini taklif qildi — ehtimol, ovozli agent suhbatdoshini aldash mumkin bo‘lgan holatlarni tekshirish maqsadida.

Block biznesi uchun ahamiyati

Block moliya sohasida faoliyat yuritadi va kichik biznesga yechimlar sotadi; Square allaqachon buyurtmalarni qayta ishlash uchun ovozli sun’iy intellektdan foydalanmoqda. Qurilmada ishlaydigan o‘z modeli kompaniyaga kamroq xarajat bilan ko‘proq biznes va iste’molchi stsenariylarini rivojlantirish imkonini beradi. Tahririy izoh: e’lon Dessaning matn oraliq qatlamisiz o‘qitilgani bilan e’tiborga loyiq, biroq Blockning asosiy da’volari — «singdirilgan» his-tuyg‘ular va ovoz sifati haqidagilari — hozircha faqat kompaniyaning o‘z namoyishlari bilan tasdiqlangan, mustaqil tekshirish esa yopiq kirish tufayli cheklangan. Modelning bitta GPU stoykasidan tashqarida qanday masshtablanishi va ochiq kirish qachon paydo bo‘lishi ham noma’lum.