Block, perusahaan pembayaran sing dipimpin dening Jack Dorsey, wis mlebu lomba AI swara kanthi pratelan sing luar biasa kandel. Ing dina Kamis, laboratorium riset ing omah perusahaan ngumumake Dessa, model wicara-kanggo-wicara sing diarani Blok dilatih saka awal ing obrolan manungsa - ora ana teks, ora ana transkrip, lan ora ana model dhasar sing wis dilatih ing ngisor.
"Sampeyan ngerti, Dessa minangka AI pisanan ing donya, sampeyan bisa ngobrol langsung kanthi nyata sing dilatih mung saka pidato manungsa," ujare Blok ing kaca resmi model kasebut, sing nggambarake rilis kasebut minangka "pratinjau riset model wicara full-duplex." Perusahaan kasebut nerbitake rekaman demo langsung, mbukak dhaptar tunggu umum, lan menehi akses awal menyang klompok cilik peneliti keamanan AI. For more context on this story, see our ongoing more AI stories.
Apa Sejatine Dessa
Dessa yaiku apa sing diarani peneliti minangka model wicara-kanggo-wicara full-duplex: audio ing, audio metu, tanpa lapisan teks ing antarane. Bagean pungkasan yaiku pembeda. Sakbenere saben asisten swara utama - kalebu mode swara sing dipasang ing chatbots paling gedhe - ngowahi ucapan sampeyan dadi teks, menehi alasan, lan menehi tanggapan maneh. Blok ujar manawa saluran pipa mbuwang akeh sing nggawe obrolan manungsa.
"Interaksi karo swara AI saiki mung bisa nyedhot," woro-woro perusahaan kasebut. "Swara sampeyan dadi teks lan mbuwang teks informasi sing luar biasa sing ora bisa digawa. AI sing paling kuat ing donya ora bisa krungu perasaan sampeyan. Kita mikir sing ora masuk akal, ndadékaké pengalaman sing luwih elek, lan bisa mbebayani. "
Amarga Dessa ora tau liwat teks, Block ngandika iku native njupuk munggah ing emosi, sarcasm, ngguyu, a desahan frustasi, utawa swara retak karo sumelang - sinyal paralinguistik sing sistem basis teks biasane discard.
Full-Duplex Tegese Ngomong Kaya Wong, Ora Bot Ngowahi
Sifat liya sing nemtokake yaiku operasi full-duplex. Dessa ngrungokake lan wuwus ing wektu sing padha, cara wong nindakake, tinimbang ngenteni dideteksi mburi-of-utterance sadurunge nanggapi. Miturut Block, model kasebut sinau saka obrolan nyata nalika kudu dipotong, nalika saluran mburi kanggo nuduhake yen dheweke ngetutake, lan kapan kudu tetep sepi.
Demo ing kaca perusahaan nggambarake prilaku sing ora ana sing diprogram kanthi jelas. Ing salah sawijining klip, Dessa ngguyu ing tengah-tengah ukara nalika ana sing lucu - "carane wong," Cathetan blok, mbandhingake karo asisten swara konvensional sing "ngenteni sampeyan rampung, banjur ngguyu." Ing liyane, pangguna njaluk model kanggo ngomong lan dadi banter. "Ora ana sing ngajari," ujare perusahaan. Ing katelu, wong kosong ing judhul film lan Dessa rampung ukara kanggo wong-wong mau.
Block uga ati-ati kanggo flag provenance siji demo utamané mripat-keno, kang Dessa terus obrolan langsung karo sistem AI liyane. "Ing demo iki, Dessa ngomong karo GPT-Live-1, model AI pihak katelu. Kaloro swara kasebut digawe AI, "ujare kaca kasebut, nyatakake yen pangembang GPT-Live-1 ora afiliasi karo Blok lan durung mriksa utawa nyetujoni Dessa.
Kenapa Blokir Teks Dilewati Kabeh
Latihan model tanpa teks babar pisan minangka taruhan sing disengaja. Posisi pamblokiran iku wicara dudu pembungkus lossy watara basa - iku medium utami, lan model sing mundak akeh munggah ing swara mentahan bisa berkembang Kapabilitas lan mode Gagal sing sistem teks-dilatih ora duwe.
Perusahaan kasebut dhewe nganggep upside ilmiah minangka pitakonan sing mbukak tinimbang asil sing wis ditemtokake: kepiye carane model mung wicara sinau basa lan fakta dibandhingake karo sistem sing dilatih teks? Kepiye carane bisa sinau basa anyar kanthi efisien? Apa jinis pembelajaran ing konteks sing bisa ditindakake? "Dessa ngembangake model pembelajaran sing jero lan nggawe kategori sing beda karo prilaku sing anyar lan menarik kanggo ditemokaké para peneliti," woro-woro kasebut diwaca.
Ana uga pratelan pragmatis sing dikubur ing lapangan. Blok ngandika kesimpulan Dessa mlaku luwih cepet saka wektu nyata, supaya balesan teka tanpa ngaso kikuk sing Wewelak asisten swara basis giliran, lan - miturut jangkoan dening Unite.AI saka Bukak - sing model mlaku sacara lokal ing hardware konsumen minangka saged minangka MacBook Pro karo chip M4 Max utawa luwih. Yen akurat, model swara full-duplex sing mlaku sacara lokal bakal katon nalika AI swara paling kompetitif tetep ana ing awan.
A "GPT-3 Momen kanggo Wicara"
Ragavan Thurairatnam, sing mimpin laboratorium riset AI Block, nggambarake Dessa minangka model AI pisanan sing bisa ngobrol kanthi nyata sawise latihan wicara, lan nyebutake rilis kasebut "wayahe GPT3 kanggo wicara," miturut laporan Unite.AI babagan pengumuman kasebut. Perbandingan kasebut dituduhake: Debut 2020 GPT-3 ora langsung ngasilake produk sing migunani, nanging ngowahi maneh model basa sing bisa ditindakake lan miwiti siklus investasi saiki.
The Verge, sing nutupi peluncuran kasebut, nggambarake asil kasebut minangka model sing "ngomong karo sampeyan kaya kanca anyar sing kikuk" - ringkesan demo klip sing nyenengake Dessa "oh my god" ing ambegan kanthi kaget, utawa nanggapi kabar pribadi kanthi rasa syukur sing nangis. Apa prilaku kasebut nggambarake pangerten sing asli utawa reproduksi pola sing canggih, mesthine minangka pitakonan sing dikandhakake dening Blok sing pengin diselidiki dening komunitas riset.
Sudut Keamanan Diutamakan — Sepisan
Utamane, Blok ora ngirim Dessa langsung menyang konsumen. Rilis kasebut minangka pratinjau riset: rekaman umum, dhaptar tunggu mbukak, nanging akses awal langsung diwatesi kanggo klompok cilik peneliti keamanan AI. Amarga keprihatinan sing terus-terusan babagan penipuan kloning swara lan kanca AI sing manipulatif emosional, model pidato sing bisa diekspresiake - lan bisa uga nyebabake - emosi persis kaya tim keamanan sistem sing pengin dievaluasi sadurunge penyebaran massal.
Blok ujar manawa luwih akeh rekaman bakal dituduhake ing X ing dina sing bakal teka. Perusahaan durung ngumumake rega, akses API, utawa rencana integrasi kanggo produk Square, Cash App, utawa Bitkey.
Pitakonan Terbuka
Dessa diluncurake ndharat ing lapangan sing rame. Saben lab AI utama saiki ngirim mode swara, lan startup wis nyurung model wicara wektu nyata sajrone rong taun. Sing mbedakake Dessa yaiku resep latihan - wicara murni, teks nol - lan pratelan yen prilaku percakapan sing muncul kaya tawa tengah-tengah kalimat muncul tanpa instruksi sing jelas.
Skeptis bakal pengin evaluasi independen. Apa model tanpa teks bisa sinau fakta kanthi andal, utawa bisa halusinasi kanthi bebas tanpa dhasar basa tulis? Apa bisa skala menyang basa anyar tanpa transkrip? Kaca Block dhewe ngundang pitakonan-pitakonan iki, yaiku kapercayan utawa pengakuan sing jujur yen durung ana wong - kalebu Blok - sing ngerti jawaban kasebut.
Saiki, Dessa minangka artefak riset kanthi daftar tunggu. Nanging yen latihan mung wicara mbuktekaken competitive karo pipelines teks-grounded, Blok bisa uga wis surfaced salah siji saka taruhan contrarian luwih menarik ing AI modern: sing rute paling cepet kanggo obrolan mesin alam kanggo mbangun mesin sing sinau cara kita - dening ngrungokake.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
