N環球 
Block Unveils Dessa, isang Full-Duplex Speech Model na Sinanay sa Pag-uusap Mag-isa
Inilabas ng in-house na AI research lab ng Block ang Dessa, isang full-duplex na speech-to-speech na modelo na sinasabi nitong sinanay mula sa simula sa walang anuman kundi tunay na audio ng pakikipag-usap ng tao — walang text, walang pretrained na mga modelo. Ang maagang pag-access ay limitado sa isang maliit na grupo ng mga mananaliksik sa kaligtasan ng AI.
Bakit ito mahalaga
Karamihan sa voice AI ngayon ay gumagana sa pamamagitan ng paggawa ng iyong pagsasalita sa text muna — pagtatapon ng tono, emosyon, at timing sa proseso, at mabagal at matigas na pagsagot. Si Dessa, mula sa isang maliit na AI research lab sa loob ng Block, ay tumahak sa ibang landas: isang tunay na full-duplex na speech-to-speech na modelo, audio in at audio out, na nakikinig at nagsasalita nang sabay-sabay tulad ng ginagawa ng isang tao. Maaari itong makagambala at mag-backchannel ("yeah!", "nakuha ko na!"), tumakbo nang mas mabilis kaysa sa real time, at maaaring tumakbo nang lokal sa isang MacBook Pro M4 Max o mas mahusay.
Ang kapansin-pansing bahagi ay kung paano ito sinanay: Sinabi ni Block na si Dessa ay sinanay mula sa simula sa walang anuman kundi tunay na audio ng pag-uusap ng tao — walang teksto, walang mga pretrained na modelo — at inilalarawan ito bilang posibleng unang AI sa mundo na natutong magsagawa ng isang makatotohanang live na pag-uusap sa pamamagitan lamang ng pakikinig. Ito ay katutubong nakakarinig at naglalabas ng emosyon, panunuya, tawa, buntong-hininga, at boses na pumuputok sa kalungkutan — eksakto ang impormasyong itinatapon ng mga nakasanayang linya ng boses.
Buong ulat
Ang Dessa ay binuo ng AI research lab ng Block, na itinatag ng mga dating miyembro ng Dessa, ang Toronto deep learning startup, at direktang nag-uulat sa Block cofounder na si Jack Dorsey. Ang nangunguna sa proyekto ay si Ragavan Thurairatnam. Nagtatampok ang opisyal na page ng mga live na recording ng mga taong nakikipag-usap kay Dessa: tumatawa ito sa sandaling may nakakatawa, tinatapos ang isang pangungusap kapag blangko ang speaker sa pamagat ng pelikula, at nagsasalita nang mas malakas kapag tinanong — na may, I-block ang mga stress, walang human steering.
Sinasabi ng Block na ang modelo ay sinanay sa isang NVIDIA GB200 NVL72, na nag-aaral ng wika mula sa daan-daang beses na mas kaunting mga salita kaysa sa malalaking modelo ng wika (ito ay naniniwala na ang paghahambing ay hindi ganap na katulad, dahil ang mga LLM ay dapat ding matuto ng mga bagay tulad ng mga programming language). Binanggit ng lab ang tatlong motibasyon: kuryusidad, mas mahusay na pag-unawa sa pagitan ng mga tao at AI, at kaligtasan - na nangangatwiran na ang boses ngayon na AI ay halos bingi sa emosyon sa ating mga boses, na maaaring mapanganib sa mga setting tulad ng pangangalaga sa kalusugan, at ang Dessa ay isang hakbang patungo sa pag-aayos nito.
Ang Dessa ay kasalukuyang isang preview ng pananaliksik: Ang Block ay nagbibigay sa isang maliit na grupo ng mga AI safety researcher ng maagang pag-access sa mga panganib na hindi inaasahan ng team. Walang pagpepresyo, petsa ng pampublikong paglabas, o mga open weight na inihayag. Tandaan na hindi isiniwalat ng kumpanya ang mga bilang ng parameter, laki ng dataset, o mga marka ng benchmark, kaya ang mga teknikal na claim sa itaas ay sariling Block at naghihintay ng independiyenteng pag-verify.
💬 Comments
No comments yet. Be the first!