Dessa: Το νέο φωνητικό μοντέλο AI της Block που μιλάει και συγκινείται σαν άνθρωπος

Ένα σημαντικό τεχνολογικό άλμα στον τομέα της παραγωγικής τεχνητής νοημοσύνης πραγματοποίησε η εταιρεία Block, επικεφαλής της οποίας είναι ο Τζακ Ντόρσεϊ. Το ερευνητικό εργαστήριο του τεχνολογικού ομίλου παρουσίασε το Dessa, ένα καινοτόμο φωνητικό μοντέλο τεχνητής νοημοσύνης που διακρίνεται για τον εξαιρετικά ρεαλιστικό, σχεδόν ανατριχιαστικά ανθρώπινο τρόπο ομιλίας του, ενσωματώνοντας φυσικές παύσεις, γέλια, αναστεναγμούς και γνήσια συναισθηματική διακύμανση.

Σε αντίθεση με τις περισσότερες υφιστάμενες λύσεις της αγοράς, το Dessa έχει εκπαιδευτεί εξ ολοκλήρου πάνω σε δεδομένα ανθρώπινης ομιλίας και μάλιστα με τη χρήση μίας μόνο κάρτας γραφικών NVIDIA GPU. Πρόκειται για ένα σύστημα «full-duplex» (πλήρους αμφίδρομης επικοινωνίας), γεγονός που σημαίνει ότι έχει τη δυνατότητα να ακούει και να αποκρίνεται ταυτόχρονα, εξομοιώνοντας τη φυσική ροή ενός διαλόγου ανάμεσα σε δύο ανθρώπους, στα πρότυπα λειτουργιών όπως το GPT-Live της OpenAI.

Απευθείας επικοινωνία φωνής χωρίς ενδιάμεσο κείμενο

Μέχρι σήμερα, τα περισσότερα συστήματα φωνητικής νοημοσύνης βασίζονται σε μια διαδικασία μετατροπής της φωνής σε κείμενο (speech-to-text), ανάλυσής του από ένα μεγάλο γλωσσικό μοντέλο και εν συνεχεία παραγωγής συνθετικής ομιλίας (text-to-speech). Όπως επισημαίνουν οι ερευνητές της Block, αυτή η ενδιάμεση διαδικασία αφαιρεί τεράστιο όγκο πολύτιμων πληροφοριών, όπως ο τόνος, ο ρυθμός και η συναισθηματική κατάσταση του συνομιλητή.

«Η αλληλεπίδραση με τα σημερινά φωνητικά συστήματα AI μπορεί να είναι απογοητευτική. Μετατρέπουν τη φωνή σε απλό κείμενο, απορρίπτοντας κρίσιμα στοιχεία. Τα ισχυρότερα μοντέλα του κόσμου δεν μπορούν να “ακούσουν” πώς νιώθετε», υπογράμμισε η εταιρεία σε σχετική ανακοίνωσή της. Αντίθετα, το Dessa διαθέτει ενσωματωμένη συναισθηματική νοημοσύνη στην ίδια τη δομή του, χωρίς να απαιτεί ειδικές ετικέτες καθοδήγησης (voice tags) όπως άλλα μοντέλα, προσαρμόζοντας τη φωνή του αυτόματα ώστε να ακούγεται κουρασμένο, ενθουσιασμένο ή ακόμα και συναισθηματικά φορτισμένο.

Τοπική εκτέλεση σε συσκευές και επιχειρηματικές προοπτικές

Ένα από τα πιο εντυπωσιακά χαρακτηριστικά του νέου μοντέλου είναι ότι δεν εξαρτάται αποκλειστικά από τεράστιους διακομιστές στο υπολογιστικό νέφος (cloud). Η Block επιβεβαίωσε ότι το Dessa μπορεί να εκτελεστεί τοπικά (on-device) σε υπολογιστές καταναλωτικού επιπέδου, όπως για παράδειγμα σε ένα MacBook εξοπλισμένο με επεξεργαστή M4 Max ή αντίστοιχες ισχυρές κάρτες γραφικών.

Η δυνατότητα αυτή αποκτά ιδιαίτερη σημασία για τις εμπορικές δραστηριότητες της Block. Η εταιρεία δραστηριοποιείται εκτενώς στον χρηματοοικονομικό κλάδο και την υποστήριξη μικρομεσαίων επιχειρήσεων. Το Square, το δημοφιλές σύστημα πληρωμών της εταιρείας, χρησιμοποιεί ήδη φωνητική τεχνητή νοημοσύνη για τη διαχείριση παραγγελιών. Ένα αυτόνομο, τοπικό μοντέλο με χαμηλό κόστος λειτουργίας θα μπορούσε να μεταμορφώσει την εξυπηρέτηση πελατών, μειώνοντας δραστικά τα λειτουργικά έξοδα.

Προς το παρόν, η πρόσβαση στο Dessa παραμένει κλειστή για το ευρύ κοινό. Η εταιρεία απηύθυνε πρόσκληση σε ανεξάρτητους ερευνητές ασφαλείας να δοκιμάσουν το μοντέλο, καθώς ο εξαιρετικά ρεαλιστικός χαρακτήρας της φωνής εγείρει σοβαρά ερωτήματα σχετικά με την πιθανότητα εξαπάτησης χρηστών ή κακόβουλων επιθέσεων κοινωνικής μηχανικής.

https://www.youtube.com/watch?v=2Fm8yJzUKhs