ব্লক, জ্যাক ডরসির নেতৃত্বে পেমেন্ট কোম্পানি, একটি অস্বাভাবিক সাহসী দাবি নিয়ে ভয়েস এআই রেসে প্রবেশ করেছে৷ বৃহস্পতিবার, কোম্পানির ইন-হাউস রিসার্চ ল্যাব ডেসা উন্মোচন করেছে, একটি স্পিচ-টু-স্পিচ মডেল যা ব্লক বলে যে মানুষের কথোপকথন ছাড়া আর কিছুই নয় - কোনও পাঠ্য, কোনও প্রতিলিপি, এবং নীচে কোনও পূর্বপ্রশিক্ষিত ভিত্তি মডেল নেই।
"যতদূর আমরা জানি, ডেসা হল বিশ্বের প্রথম এআই যার সাথে আপনি বাস্তবসম্মত লাইভ কথোপকথন করতে পারেন যেটি শুধুমাত্র মানুষের বক্তৃতা থেকে প্রশিক্ষিত হয়েছিল," ব্লক মডেলটির অফিসিয়াল পৃষ্ঠায় বলেছেন, যা রিলিজটিকে "পূর্ণ-দ্বৈত স্পিচ মডেলের একটি গবেষণা পূর্বরূপ" হিসাবে বর্ণনা করে। সংস্থাটি লাইভ ডেমো রেকর্ডিং প্রকাশ করছে, একটি পাবলিক ওয়েটলিস্ট খুলছে এবং এআই সুরক্ষা গবেষকদের একটি ছোট দলকে প্রাথমিক অ্যাক্সেস প্রদান করছে। For more context on this story, see our ongoing AI trends.
ডেসা আসলে কি
ডেসা যাকে গবেষকরা একটি ফুল-ডুপ্লেক্স স্পিচ-টু-স্পিচ মডেল বলে: অডিও ইন, অডিও আউট, এর মধ্যে কোনও পাঠ্য স্তর নেই। যে শেষ অংশ পার্থক্যকারী. কার্যত প্রতিটি মূলধারার ভয়েস সহকারী — বৃহত্তম চ্যাটবটগুলির সাথে সংযুক্ত ভয়েস মোডগুলি সহ — আপনার বক্তৃতাকে পাঠ্যে রূপান্তরিত করে, এর কারণগুলি, এবং উত্তরে কথা বলে৷ ব্লক যুক্তি দেয় যে পাইপলাইন মানুষের কথোপকথনকে মানবিক করে তোলে তার বেশিরভাগই ফেলে দেয়।
"বর্তমান ভয়েস এআই-এর সাথে ইন্টারঅ্যাক্ট করা সহজভাবে চুষতে পারে," কোম্পানির ঘোষণায় বলা হয়েছে। "এটি আপনার ভয়েসকে টেক্সটে রূপান্তরিত করে এবং অবিশ্বাস্য পরিমাণে তথ্য ছুঁড়ে ফেলে দেয় যা পাঠ্য একা বহন করতে পারে না। বিশ্বের সবচেয়ে শক্তিশালী AI আপনার অনুভূতি শুনতে পারে না। আমরা মনে করি এটি হাস্যকর, আরও খারাপ অভিজ্ঞতার দিকে নিয়ে যায় এবং সম্ভাব্য বিপজ্জনক।"
যেহেতু ডেসা কখনই পাঠ্যের মধ্য দিয়ে যায় না, ব্লক বলে যে এটি স্থানীয়ভাবে আবেগ, ব্যঙ্গ, হাসি, একটি হতাশ দীর্ঘশ্বাস, বা দুঃখের সাথে একটি কণ্ঠস্বর ক্র্যাক করে — প্যারাভাষিক সংকেত যা পাঠ্য-ভিত্তিক সিস্টেমগুলি সাধারণত বাতিল করে।
ফুল-ডুপ্লেক্স মানে এটি একজন ব্যক্তির মতো কথা বলে, টার্ন-টেকিং বট নয়
দ্বিতীয় সংজ্ঞায়িত বৈশিষ্ট্য হল ফুল-ডুপ্লেক্স অপারেশন। ডেসা একই সাথে শোনেন এবং কথা বলেন, লোকেরা যেভাবে করে, উত্তর দেওয়ার আগে একটি শনাক্ত শেষ-উক্তির জন্য অপেক্ষা না করে। ব্লকের মতে, মডেলটি আসল কথোপকথন থেকে শিখেছে কখন কাটতে হবে, কখন ব্যাকচ্যানেল দেখাতে হবে এবং কখন শান্ত থাকতে হবে।
কোম্পানির পৃষ্ঠার ডেমোগুলি এমন আচরণগুলিকে চিত্রিত করে যা কেউ স্পষ্টভাবে প্রোগ্রাম করেনি। একটি ক্লিপে, ডেসা বাক্যটির মাঝামাঝি হাসেন যে মুহূর্তে কিছু মজার হয়ে ওঠে — "লোকেরা যেভাবে করে," ব্লক নোট করে, এটি প্রচলিত ভয়েস অ্যাসিস্ট্যান্টদের সাথে বিপরীত করে যে "আপনার শেষ হওয়ার জন্য অপেক্ষা করুন, তারপরে কিউতে হাসুন।" অন্যটিতে, একজন ব্যবহারকারী মডেলকে কথা বলতে বলেন এবং এটি আরও জোরে হয়। "কেউ এটা শেখায়নি," কোম্পানি বলে। তৃতীয় স্থানে, ব্যক্তিটি একটি সিনেমার শিরোনাম খালি করে এবং ডেসা তাদের জন্য বাক্যটি শেষ করে।
ব্লক একটি বিশেষভাবে নজরকাড়া ডেমোর উদ্ভব ঘটাতেও সতর্ক, যেখানে ডেসা অন্য এআই সিস্টেমের সাথে সরাসরি কথোপকথন করে। "এই ডেমোতে, Dessa GPT-Live-1, একটি তৃতীয় পক্ষের AI মডেলের সাথে কথা বলছে। উভয় ভয়েসই AI-উত্পাদিত," পৃষ্ঠাটি উল্লেখ করেছে যে GPT-Live-1-এর বিকাশকারী ব্লকের সাথে অধিভুক্ত নয় এবং ডেসাকে পর্যালোচনা বা সমর্থন করেনি।
কেন সম্পূর্ণভাবে এড়িয়ে যাওয়া টেক্সট ব্লক করবেন
কোন পাঠ্য ছাড়াই একটি মডেলকে প্রশিক্ষণ দেওয়া একটি ইচ্ছাকৃত বাজি। ব্লকের অবস্থান হল যে বক্তৃতা ভাষার চারপাশে একটি ক্ষতিকারক মোড়ক নয় - এটি প্রাথমিক মাধ্যম, এবং একটি মডেল যা কাঁচা শব্দে বেড়ে ওঠে তা সক্ষমতা এবং ব্যর্থতার মোড বিকাশ করতে পারে যা পাঠ্য-প্রশিক্ষিত সিস্টেমে নেই।
কোম্পানী নিজেই স্থির ফলাফলের পরিবর্তে মুক্ত প্রশ্ন হিসাবে বৈজ্ঞানিক উল্টোদিকে ফ্রেম করে: পাঠ্য-প্রশিক্ষিত সিস্টেমের তুলনায় কেবল বক্তৃতা মডেলগুলি কতটা দক্ষতার সাথে ভাষা এবং তথ্য শিখে? তারা কতটা দক্ষতার সাথে নতুন ভাষা শিখতে পারে? তারা কি ধরনের ইন-কনটেক্সট লার্নিং করতে পারে? "ডেসা গভীর শিক্ষার মডেলের সীমানায় অগ্রসর হয়েছে এবং গবেষকদের আবিষ্কারের জন্য সম্পূর্ণ নতুন এবং আকর্ষণীয় আচরণ সহ একটি ভিন্ন বিভাগ তৈরি করেছে," ঘোষণাটি পড়ে।
পিচে চাপা একটা বাস্তববাদী দাবিও আছে। ব্লক বলে যে ডেসার অনুমান রিয়েল টাইমের চেয়ে দ্রুত চলে, তাই বিশ্রী বিরতি ছাড়াই উত্তর আসে যা টার্ন-ভিত্তিক ভয়েস অ্যাসিস্ট্যান্টদের প্লেগ করে, এবং - লঞ্চের Unite.AI-এর কভারেজ অনুসারে - যে মডেলটি একটি M4 Max চিপ সহ MacBook Pro বা তার চেয়ে ভাল ভোক্তা হার্ডওয়্যারে স্থানীয়ভাবে চলে৷ সঠিক হলে, একটি স্থানীয়ভাবে চলমান ফুল-ডুপ্লেক্স ভয়েস মডেল এমন একটি মুহুর্তে উল্লেখযোগ্য হবে যখন সবচেয়ে প্রতিযোগিতামূলক ভয়েস এআই ক্লাউড-বাউন্ড থাকবে।
একটি "জিপিটি-৩ মোমেন্ট ফর স্পিচ"
রাগভান থুরাইরত্নম, যিনি ব্লকের এআই গবেষণা ল্যাবের নেতৃত্ব দেন, ডেসাকে প্রথম এআই মডেল হিসাবে বর্ণনা করেছেন যেটি সম্পূর্ণভাবে বক্তৃতার প্রশিক্ষণের পরে বাস্তবসম্মত কথোপকথন করতে পারে এবং ঘোষণার বিষয়ে Unite.AI-এর প্রতিবেদন অনুসারে প্রকাশকে "বক্তৃতার জন্য একটি GPT3 মুহূর্ত" বলে অভিহিত করেছেন। তুলনাটি নির্দেশ করা হয়েছে: GPT-3 এর 2020 আত্মপ্রকাশ অবিলম্বে দরকারী পণ্য উত্পাদন করেনি, তবে এটি ভাষা মডেলগুলি কী করতে পারে তা পুনর্বিন্যাস করেছে এবং বর্তমান বিনিয়োগ চক্রটি শুরু করেছে।
দ্য ভার্জ, যা লঞ্চটি কভার করেছে, ফলাফলটিকে একটি মডেল হিসাবে বর্ণনা করেছে যা "একটি বিশ্রী নতুন বন্ধুর মতো আপনার সাথে কথা বলে" - ডেমো ক্লিপগুলির একটি উদ্দীপক সারাংশ যেখানে ডেসা অবাক হয়ে তার নিঃশ্বাসের নিচে "ওহ মাই গড" হাঁপাচ্ছেন, বা ব্যক্তিগত সংবাদের প্রতিক্রিয়া যা অশ্রু কৃতজ্ঞতার মতো শোনাচ্ছে। এই পদ্ধতিগুলি প্রকৃত বোঝার প্রতিফলন করে বা অত্যাধুনিক প্যাটার্নের পুনরুৎপাদনটি অবিকল সেই ধরণের প্রশ্ন যা ব্লক বলে যে এটি গবেষণা সম্প্রদায়কে তদন্ত করতে চায়।
নিরাপত্তা কোণটি প্রথমে আসে — একবারের জন্য
উল্লেখযোগ্যভাবে, ব্লক ডেসা সরাসরি গ্রাহকদের কাছে শিপিং করছে না। রিলিজটি একটি গবেষণা প্রিভিউ: রেকর্ডিংগুলি সর্বজনীন, একটি অপেক্ষা তালিকা খোলা আছে, তবে হাতে-কলমে প্রাথমিক অ্যাক্সেস AI নিরাপত্তা গবেষকদের একটি ছোট গ্রুপের মধ্যে সীমাবদ্ধ করা হচ্ছে। ভয়েস-ক্লোনিং স্ক্যাম এবং আবেগগতভাবে ম্যানিপুলিটিভ এআই সঙ্গীদের সম্পর্কে চলমান উদ্বেগের প্রেক্ষিতে, একটি বক্তৃতা মডেল যা প্রকাশ করতে পারে — এবং সম্ভবত প্রকাশ করতে পারে — আবেগ ঠিক সেই ধরনের সিস্টেম সুরক্ষা দলগুলি গণ স্থাপনের আগে মূল্যায়ন করতে চায়।
ব্লক বলেছে যে আগামী দিনে X-এ আরও রেকর্ডিং শেয়ার করা হবে। কোম্পানি তার স্কয়ার, ক্যাশ অ্যাপ, বা বিটকি পণ্যগুলির জন্য মূল্য, API অ্যাক্সেস, বা ইন্টিগ্রেশন পরিকল্পনা ঘোষণা করেনি।
খোলা প্রশ্ন
ডেসার লঞ্চ জনাকীর্ণ মাঠে নামে। প্রতিটি বড় AI ল্যাব এখন একটি ভয়েস মোড পাঠায়, এবং স্টার্টআপগুলি দুই বছর ধরে রিয়েল-টাইম স্পিচ মডেলগুলিকে চাপ দিচ্ছে। ডেসাকে যা আলাদা করে তা হল এর প্রশিক্ষণের রেসিপি — বিশুদ্ধ বক্তৃতা, শূন্য পাঠ — এবং দাবি যে মধ্য-বাক্যের হাসির মতো উদীয়মান কথোপকথন আচরণ স্পষ্ট নির্দেশ ছাড়াই উদ্ভূত হয়েছিল।
সন্দেহবাদীরা স্বাধীন মূল্যায়ন চাইবে। একটি পাঠ্য-মুক্ত মডেল কি আসলে নির্ভরযোগ্যভাবে তথ্য শিখতে পারে, নাকি লিখিত ভাষার ভিত্তি ছাড়াই এটি আরও অবাধে হ্যালুসিনেট করে? এটা কি প্রতিলিপি ছাড়া নতুন ভাষায় স্কেল করতে পারে? ব্লকের নিজস্ব পৃষ্ঠাটি ঠিক এই প্রশ্নগুলিকে আমন্ত্রণ জানায়, যা হয় আত্মবিশ্বাস বা অকপট স্বীকৃতি যে ব্লক সহ - কেউ এখনও উত্তর জানে না৷
আপাতত, Dessa হল একটি অপেক্ষার তালিকা সহ একটি গবেষণা নিদর্শন৷ কিন্তু যদি শুধুমাত্র বক্তৃতা প্রশিক্ষণ টেক্সট-গ্রাউন্ডেড পাইপলাইনগুলির সাথে প্রতিযোগিতামূলক প্রমাণিত হয়, ব্লক আধুনিক AI-তে আরও আকর্ষণীয় বিপরীত বাজিগুলির মধ্যে একটি হতে পারে: যে প্রাকৃতিক মেশিন কথোপকথনের দ্রুততম পথ হল এমন মেশিন তৈরি করা যা আমরা যেভাবে শিখেছি — শোনার মাধ্যমে।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
