AI Radar
Block представила речевую модель Dessa для одновременного прослушивания и ответа
Block представила Dessa – речевую AI-модель, которая одновременно слушает и отвечает голосом, обрабатывая звук без перевода в текст. Она рассчитана на более естественный диалог и локальный запуск на компьютере.
Dessa принимает речь и формирует речевой ответ напрямую, без промежуточного превращения разговора в текст. Такой путь сохраняет в аудиосигнале паузы, интонацию и другие признаки, которые трудно передать расшифровкой. Block говорит, что обучала модель на человеческой речи; компания также связывает с этим подходом способность Dessa реагировать на эмоции и сарказм в разговоре.
Модель работает в режиме full-duplex: она может слушать собеседника, пока сама говорит. В опубликованных демонстрациях Dessa меняет темп и интонацию ответа, смеётся и вступает в разговор до завершения чужой реплики. Это отличается от сценария, в котором помощник ждёт конца фразы, распознаёт текст, генерирует ответ и затем озвучивает его. Демонстрации показывают поведение модели в отдельных беседах, но не дают оценки его стабильности.
Block заявляет, что для обучения Dessa использовала одну стойку с GPU NVIDIA, а для локального запуска подходит компьютер уровня MacBook с M4 Max или мощнее. Речь идёт о разных этапах работы модели: вычисления для обучения и оборудование для уже обученной системы напрямую сравнивать нельзя. Возможность запускать разговорную модель на устройстве важна для интерфейсов, где задержка между репликами заметна пользователю.
Dessa пока недоступна публично: Block приглашает исследователей безопасности для раннего тестирования. Компания уже применяет голосовой AI в Square для приёма заказов, но о внедрении именно Dessa в этот продукт не объявлено. Пока опубликованные разговоры позволяют судить о том, как звучит модель в выбранных примерах, а не о её работе в повседневных условиях.
Почему это важно
Dessa показывает вариант голосового помощника, который обрабатывает звук напрямую и может работать локально. Для создателей голосовых интерфейсов это означает возможность строить разговор с меньшим числом промежуточных этапов.
Мнение редакции
Мнение редакцииЛокальный запуск делает такую модель интересной для голосовых интерфейсов, которым нужна быстрая реакция во время разговора. Но реалистичный голос усложняет проверку того, понимает ли собеседник, что говорит с программой. Поэтому приглашение исследователей безопасности здесь вполне закономерно.
Первоисточники и подтверждения
Подборку проверяет редакция DSML. AI помогает дедуплицировать сигналы и готовить текст, но опубликованный выпуск остаётся редакционным продуктом, а не лентой отдельных каналов.