Block-ის ახალი ხმოვანი მოდელი Dessa საოცრად ჰგავს ადამიანს: ემოციური ინტელექტი და ლოკალური მუშაობა

ჯეკ დორსის კომპანია Block-ის კვლევითმა ლაბორატორიამ ახალი ხმოვანი მოდელი წარადგინა, რომელიც ლოკალურად მუშაობს და ადამიანისთვის დამახასიათებელი ემოციებით — სიცილით, პაუზებითა და ტირილითაც კი გამოირჩევა. მოდელი, სახელწოდებით Dessa, სრულად ადამიანის მეტყველებაზეა გაწვრთნილი და მისი მუშაობისთვის NVIDIA-ს ერთი GPU-სტელაჟია გამოყენებული.

Dessa არის სრულად დუპლექსური (full-duplex) მოდელი, რაც იმას ნიშნავს, რომ მას ერთდროულად შეუძლია საუბარიც და მოსმენაც, ისევე როგორც OpenAI-ის მიერ წლის დასაწყისში გამოშვებულ GPT-Live მოდელს. როგორც წესი, ხმოვანი მოდელები ცოდნის მოსაპოვებლად დიდ ენობრივ მოდელებთან (LLM) წყვილდებიან, თუმცა Block-ის განცხადებით, Dessa-ს ცოდნა უშუალოდ იმ სასაუბრო მონაცემებიდან მომდინარეობს, რომლებზეც ის არის გაწვრთნილი.

კომპანიაში მიიჩნევენ, რომ არსებული მოდელები ხშირად არაბუნებრივად და გამაღიზიანებლად ჟღერს, რადგან მათი მუშაობის პროცესში მეტყველების გენერირებას ტექსტი მართავს. ბევრი პოპულარული მოდელი, როგორიცაა ElevenLabs v4 ან Fish Audio Drama 3, ემოციების გადმოსაცემად სპეციალურ ხმოვან თეგებს (voice tags) იყენებს. Block-ის მტკიცებით კი, მათ მოდელში ემოცია თავიდანვე ჩაშენებულია და არაა დამოკიდებული გარე მანიპულაციებზე.

„დღევანდელ ხმოვან ხელოვნურ ინტელექტთან ურთიერთობა შეიძლება უბრალოდ საშინელი იყოს. ის თქვენს ხმას ტექსტად აქცევს და კარგავს უზარმაზარი რაოდენობის ინფორმაციას, რომლის გადაცემაც მხოლოდ ტექსტს არ შეუძლია. მსოფლიოს უძლიერეს AI-ებსაც კი არ შეუძლიათ მოისმინონ, რას გრძნობთ. ჩვენ მიგვაჩნია, რომ ეს აბსურდია, იწვევს ცუდ გამოცდილებას და პოტენციურად სახიფათოცაა“, — ნათქვამია კომპანიის ბლოგპოსტში.

ემოციური მეტყველების მაგალითები

კომპანიის მკვლევრებმა Dessa-სთან საუბრის რამდენიმე მაგალითი გამოაქვეყნეს, სადაც აგენტს განსხვავებული ხმა, ტემპი და ემოციები ჰქონდა. მაგალითად, ერთ-ერთ დიალოგში ბოტმა აღნიშნა, რომ სამუშაოსგან დაიღალა და ამ მომენტში მისი ხმა მართლაც დაღლილად ჟღერდა.

სხვა მაგალითში ბოტი ემოციურად, თითქმის აკანკალებული ხმით საუბრობდა იმაზე, თუ როგორ აგრძნობინა ადამიანმა თავი კომფორტულად. კიდევ ერთი ჩანაწერი ასახავს Block-ის გუნდის წევრს, რომელიც ხმოვან ასისტენტთან ერთად თამაშობს.

ტექნიკური მოთხოვნები და უსაფრთხოება

კომპანიის განცხადებით, მოდელს ლოკალურად მუშაობა შეუძლია ისეთ სამომხმარებლო კომპიუტერებზე, როგორიცაა MacBook M4 Max ან უფრო მძლავრი მოწყობილობები. თუმცა, ამჟამად Dessa საჯაროდ ხელმისაწვდომი არ არის. Block-მა უსაფრთხოების მკვლევრებს მოუწოდა მოდელის ტესტირებისკენ, რაც სავარაუდოდ იმ შემთხვევების გამოსავლენადაა საჭირო, როდესაც ხმოვანმა აგენტმა შესაძლოა ადამიანები შეცდომაში შეიყვანოს.

Block-ის საქმიანობა ძირითადად ფინანსებსა და მცირე ბიზნესისთვის გადაწყვეტილებების მიწოდებას უკავშირდება. Square უკვე იყენებს ხმოვან ხელოვნურ ინტელექტს შეკვეთების დასამუშავებლად. საკუთარი ხმოვანი მოდელით, რომელიც უშუალოდ მოწყობილობაზე მუშაობს, კომპანიას შეეძლება ბევრად მეტი ბიზნეს და სამომხმარებლო სერვისი უზრუნველყოს უფრო დაბალი დანახარჯებით.