Block bringt Dessa auf den Markt, eine Sprach-KI, die nur auf menschlicher Sprache trainiert ist

Block, das von Jack Dorsey geführte Zahlungsunternehmen, ist mit einer ungewöhnlich mutigen Behauptung in das Rennen der Sprach-KI eingestiegen. Am Donnerstag stellte das unternehmenseigene Forschungslabor Dessa vor, ein Speech-to-Speech-Modell, das laut Block von Grund auf auf nichts anderem als menschlicher Konversation trainiert wurde – kein Text, keine Transkripte und keine vorab trainierten Basismodelle darunter.

„Soweit wir wissen, ist Dessa die weltweit erste KI, mit der man ein realistisches Live-Gespräch führen kann, die nur anhand der menschlichen Sprache trainiert wurde“, sagt Block auf der offiziellen Seite des Modells, die die Veröffentlichung als „eine Forschungsvorschau eines Vollduplex-Sprachmodells“ beschreibt. Das Unternehmen veröffentlicht Live-Demoaufzeichnungen, eröffnet eine öffentliche Warteliste und gewährt einer kleinen Gruppe von KI-Sicherheitsforschern frühzeitigen Zugang. Weitere Informationen zu dieser Geschichte finden Sie in unserer aktuelle KI-Trends.

Was Dessa eigentlich ist

Dessa ist das, was Forscher als Vollduplex-Speech-to-Speech-Modell bezeichnen: Audioeingang, Audioausgang, ohne Textschicht dazwischen. Der letzte Teil ist das Unterscheidungsmerkmal. Praktisch jeder gängige Sprachassistent – ​​einschließlich der Sprachmodi der größten Chatbots – wandelt Ihre Sprache in Text um, begründet sie und gibt eine Antwort zurück. Block argumentiert, dass Pipeline das meiste von dem wegwirft, was menschliche Gespräche menschlich macht.

„Die Interaktion mit der aktuellen Sprach-KI kann einfach scheiße sein“, heißt es in der Ankündigung des Unternehmens. „Es verwandelt Ihre Stimme in Text und wirft eine unglaubliche Menge an Informationen weg, die Text allein nicht transportieren kann. Die leistungsstärksten KIs der Welt können nicht hören, wie Sie sich fühlen. Wir finden das lächerlich, führt zu einer schlechteren Erfahrung und ist potenziell gefährlich.“

Weil Dessa niemals Text durchgeht, sagt Block, dass es von Natur aus Emotionen, Sarkasmus, Lachen, ein frustriertes Seufzen oder eine vor Traurigkeit brechende Stimme aufnimmt – die paralinguistischen Signale, die textbasierte Systeme normalerweise verwerfen.

Vollduplex bedeutet, dass es wie ein Mensch spricht und nicht wie ein Bot, der sich abwechselt

Das zweite bestimmende Merkmal ist der Vollduplexbetrieb. Dessa hört zu und spricht gleichzeitig, wie es Menschen tun, anstatt auf das erkannte Ende einer Äußerung zu warten, bevor sie antwortet. Laut Block lernte das Modell aus realen Gesprächen, wann es sich einschalten, wann es einen Backchannel durchführen sollte, um zu zeigen, dass es mitmacht, und wann es ruhig bleiben sollte.

Die Demos auf der Unternehmensseite veranschaulichen Verhaltensweisen, die niemand explizit programmiert hat. In einem Clip lacht Dessa mitten im Satz, sobald etwas lustig wird – „wie die Leute es tun“, bemerkt Block und stellt dies im Gegensatz zu herkömmlichen Sprachassistenten, die „warten, bis Sie fertig sind, und dann aufs Stichwort lachen“. In einem anderen Fall bittet ein Benutzer das Modell, etwas zu sagen, und es wird lauter. „Das hat ihm niemand beigebracht“, sagt das Unternehmen. Im dritten Teil überspringt die Person einen Filmtitel und Dessa beendet den Satz für sie.

Block achtet auch darauf, die Herkunft einer besonders auffälligen Demo zu verdeutlichen, in der Dessa ein Live-Gespräch mit einem anderen KI-System führt. „In dieser Demo spricht Dessa mit GPT-Live-1, einem KI-Modell eines Drittanbieters. Beide Stimmen werden KI-generiert“, heißt es auf der Seite und weist darauf hin, dass der Entwickler von GPT-Live-1 nicht mit Block verbunden ist und Dessa weder überprüft noch unterstützt hat.

Warum übersprungenen Text vollständig blockieren?

Das Trainieren eines Modells ohne Text ist eine bewusste Entscheidung. Block vertritt den Standpunkt, dass Sprache keine verlustbehaftete Umhüllung der Sprache ist – sie ist das primäre Medium, und ein Modell, das auf rohem Klang aufwächst, kann Fähigkeiten und Fehlermodi entwickeln, über die texttrainierte Systeme nicht verfügen.

Das Unternehmen selbst formuliert den wissenschaftlichen Vorteil als offene Fragen und nicht als gesicherte Ergebnisse: Wie effizient lernen reine Sprachmodelle Sprache und Fakten im Vergleich zu texttrainierten Systemen? Wie effizient können sie neue Sprachen lernen? Welche Arten des kontextbezogenen Lernens können sie durchführen? „Dessa erweitert die Grenzen der Deep-Learning-Modelle und schafft eine andere Kategorie mit völlig neuen und interessanten Verhaltensweisen, die Forscher entdecken können“, heißt es in der Ankündigung.

Im Pitch steckt auch ein pragmatischer Anspruch. Block sagt, dass Dessas Inferenz schneller als in Echtzeit abläuft, sodass Antworten ohne die unangenehmen Pausen kommen, die rundenbasierte Sprachassistenten plagen, und – laut der Berichterstattung von Unite.AI über die Markteinführung – dass das Modell lokal auf Consumer-Hardware läuft, die so leistungsfähig ist wie ein MacBook Pro mit einem M4 Max-Chip oder besser. Wenn dies zutrifft, wäre ein lokal ausgeführtes Vollduplex-Sprachmodell in einer Zeit bemerkenswert, in der die meisten konkurrierenden Sprach-KIs weiterhin cloudgebunden sind.

Ein „GPT-3-Moment für die Sprache“

Ragavan Thurairatnam, Leiter des KI-Forschungslabors von Block, beschrieb Dessa als das erste KI-Modell, das ein realistisches Gespräch führen kann, nachdem es vollständig auf Sprache trainiert hat, und nannte die Veröffentlichung „einen GPT3-Moment für Sprache“, so der Bericht von Unite.AI zu der Ankündigung. Der Vergleich ist stichhaltig: Das Debüt von GPT-3 im Jahr 2020 brachte nicht sofort nützliche Produkte hervor, aber es definierte die Möglichkeiten von Sprachmodellen neu und leitete den aktuellen Investitionszyklus ein.

The Verge, das über die Markteinführung berichtete, beschrieb das Ergebnis als ein Modell, das „mit dir redet wie ein unbeholfener neuer Freund“ – eine eindrucksvolle Zusammenfassung von Democlips, in denen Dessa vor Überraschung leise „Oh mein Gott“ ausstößt oder auf persönliche Nachrichten mit etwas reagiert, das wie tränenreiche Dankbarkeit klingt. Ob diese Manierismen echtes Verständnis oder eine raffinierte Musterreproduktion widerspiegeln, ist genau die Art von Frage, die die Forschungsgemeinschaft laut Block untersuchen möchte.

Der Sicherheitsaspekt steht an erster Stelle – ausnahmsweise

Insbesondere versendet Block Dessa nicht direkt an Verbraucher. Bei der Veröffentlichung handelt es sich um eine Forschungsvorschau: Die Aufzeichnungen sind öffentlich, es gibt eine Warteliste, der praktische Frühzugang ist jedoch auf eine kleine Gruppe von KI-Sicherheitsforschern beschränkt. Angesichts der anhaltenden Besorgnis über Voice-Cloning-Betrügereien und emotional manipulative KI-Begleiter ist ein Sprachmodell, das Emotionen ausdrücken und vermutlich auch hervorrufen kann, genau die Art von Systemsicherheitsteams, die sie vor dem Masseneinsatz bewerten möchten.

Block sagt, dass in den kommenden Tagen weitere Aufnahmen auf X geteilt werden. Das Unternehmen hat keine Preise, API-Zugriffe oder Integrationspläne für seine Square-, Cash App- oder Bitkey-Produkte bekannt gegeben.

Die offenen Fragen

Dessas Start landet auf einem überfüllten Feld. Jedes große KI-Labor verfügt mittlerweile über einen Sprachmodus, und Startups treiben seit zwei Jahren Echtzeit-Sprachmodelle voran. Was Dessa auszeichnet, ist sein Trainingsrezept – reine Sprache, kein Text – und die Behauptung, dass aufkommendes Gesprächsverhalten wie Lachen mitten im Satz ohne explizite Anweisung entstanden sei.

Skeptiker werden eine unabhängige Bewertung wünschen. Kann ein textfreies Modell Fakten tatsächlich zuverlässig lernen, oder halluziniert es freier ohne die Grundlage geschriebener Sprache? Kann es ohne Transkripte auf neue Sprachen skaliert werden? Blocks eigene Seite lädt zu genau diesen Fragen ein, was entweder Selbstvertrauen oder die offene Anerkennung bedeutet, dass noch niemand – Block eingeschlossen – die Antworten kennt.

Im Moment ist Dessa ein Forschungsartefakt mit einer Warteliste. Aber wenn sich reines Sprachtraining als konkurrenzfähig zu textbasierten Pipelines erweist, könnte Block eine der interessanteren konträren Wetten in der modernen KI aufgedeckt haben: dass der schnellste Weg zu natürlicher maschineller Konversation darin besteht, Maschinen zu bauen, die auf die gleiche Weise lernen wie wir – durch Zuhören.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →