ब्लॉक, जॅक डोर्सी यांच्या नेतृत्वाखालील पेमेंट कंपनी, असामान्यपणे धाडसी दाव्यासह व्हॉईस एआय रेसमध्ये प्रवेश केला आहे. गुरुवारी, कंपनीच्या इन-हाऊस रिसर्च लॅबने डेसा, एक भाषण-ते-स्पीच मॉडेलचे अनावरण केले, ज्याला ब्लॉक म्हणतात मानवी संभाषणाशिवाय इतर कशावरही सुरवातीपासून प्रशिक्षण दिले गेले होते — कोणताही मजकूर, कोणतेही प्रतिलेख आणि खाली कोणतेही पूर्वप्रशिक्षित पाया मॉडेल नाहीत.
"आम्हाला माहीत आहे तिथपर्यंत, डेसा ही जगातील पहिली एआय आहे जिच्याशी तुम्ही वास्तववादी थेट संभाषण करू शकता जे केवळ मानवी भाषणातून प्रशिक्षित केले गेले होते," ब्लॉक मॉडेलच्या अधिकृत पृष्ठावर म्हणतात, जे रिलीजचे वर्णन "पूर्ण-डुप्लेक्स स्पीच मॉडेलचे संशोधन पूर्वावलोकन" म्हणून करते. कंपनी थेट डेमो रेकॉर्डिंग प्रकाशित करत आहे, सार्वजनिक प्रतीक्षा यादी उघडत आहे आणि AI सुरक्षा संशोधकांच्या लहान गटाला लवकर प्रवेश देत आहे. For more context on this story, see our ongoing more AI stories.
देसा म्हणजे नेमकं काय
डेसा हे संशोधक पूर्ण-डुप्लेक्स स्पीच-टू-स्पीच मॉडेल म्हणतात: ऑडिओ इन, ऑडिओ आउट, ज्यामध्ये मजकूराचा थर नाही. तो शेवटचा भाग म्हणजे भिन्नता. अक्षरशः प्रत्येक मुख्य प्रवाहातील व्हॉइस असिस्टंट — सर्वात मोठ्या चॅटबॉट्सशी जोडलेल्या व्हॉईस मोडसह — तुमचे भाषण मजकूरात रूपांतरित करतो, त्यावरील कारणे आणि प्रतिसाद परत देतो. ब्लॉकचा असा युक्तिवाद आहे की पाइपलाइन मानवी संभाषण मानवी बनवणारी बहुतेक गोष्टी फेकून देते.
"वर्तमान आवाज AI सह परस्परसंवाद साधणे सोपे शोषून घेऊ शकते," कंपनीच्या घोषणा सांगते. "हे तुमचा आवाज मजकूरात बदलते आणि एक अविश्वसनीय माहिती मजकूर दूर फेकून देते. एकट्याने वाहून जाऊ शकत नाही. जगातील सर्वात शक्तिशाली AI तुम्हाला कसे वाटते ते ऐकू शकत नाही. आम्हाला वाटते की ते हास्यास्पद आहे, वाईट अनुभवाकडे नेतो आणि संभाव्य धोकादायक आहे."
कारण डेसा कधीही मजकूरातून जात नाही, ब्लॉक म्हणतो की ते मूळतः भावना, व्यंग, हशा, निराशेचा उसासा किंवा दुःखाने क्रॅक करणारा आवाज यावर लक्ष केंद्रित करते — जे परभाषिक संकेत मजकूर-आधारित प्रणाली सामान्यत: टाकून देतात.
फुल-डुप्लेक्स म्हणजे तो एखाद्या व्यक्तीप्रमाणे बोलतो, टर्न-टेकिंग बॉट नाही
दुसरे परिभाषित वैशिष्ट्य म्हणजे फुल-डुप्लेक्स ऑपरेशन. डेस्सा त्याच वेळी ऐकतो आणि बोलतो, लोक ज्या प्रकारे करतात, प्रतिसाद देण्यापूर्वी शोधलेल्या उच्चाराची वाट पाहण्याऐवजी. ब्लॉकच्या म्हणण्यानुसार, मॉडेलने वास्तविक संभाषणातून शिकले की कधी कट इन करायचा, बॅकचॅनल कधी सोबत आहे हे दाखवण्यासाठी आणि कधी शांत राहायचे.
कंपनीच्या पृष्ठावरील डेमो कोणीही स्पष्टपणे प्रोग्राम केलेले नसलेले वर्तन स्पष्ट करतात. एका क्लिपमध्ये, डेसा वाक्याच्या मध्यभागी हसतो ज्या क्षणी काहीतरी मजेदार बनते - "लोक ज्या प्रकारे करतात," ब्लॉक नोट्स, "तुम्ही पूर्ण होण्याची प्रतीक्षा करा, नंतर क्यू वर हसा." दुसऱ्यामध्ये, एक वापरकर्ता मॉडेलला बोलण्यास सांगतो आणि ते जोरात होते. "कोणीही ते शिकवले नाही," कंपनी म्हणते. तिसऱ्या मध्ये, व्यक्ती चित्रपटाच्या शीर्षकावर रिक्त आहे आणि डेसा त्यांच्यासाठी वाक्य पूर्ण करतो.
विशेषत: लक्षवेधी डेमोच्या उत्पत्तीला ध्वजांकित करण्यासाठी ब्लॉक देखील सावधगिरी बाळगतो, ज्यामध्ये डेसा दुसर्या एआय सिस्टमसह थेट संभाषण करते. "या डेमोमध्ये, Dessa GPT-Live-1 या तृतीय-पक्ष AI मॉडेलशी बोलत आहे. दोन्ही आवाज AI-व्युत्पन्न आहेत," GPT-Live-1 चे डेव्हलपर ब्लॉकशी संलग्न नाही आणि त्यांनी Dessa चे पुनरावलोकन किंवा समर्थन केलेले नाही, असे पृष्ठ नमूद करते.
वगळलेला मजकूर संपूर्णपणे का ब्लॉक केला
अजिबात मजकूर नसलेल्या मॉडेलला प्रशिक्षण देणे हा मुद्दाम पैज आहे. ब्लॉकची स्थिती अशी आहे की भाषण हे भाषेभोवती एक हानीकारक आवरण नाही - ते प्राथमिक माध्यम आहे आणि कच्च्या आवाजावर वाढणारे मॉडेल मजकूर-प्रशिक्षित प्रणालींमध्ये नसलेल्या क्षमता आणि अपयश मोड विकसित करू शकतात.
कंपनी स्वतः वैज्ञानिक उलथापालथ सोडवलेल्या निकालांऐवजी खुले प्रश्न म्हणून तयार करते: मजकूर-प्रशिक्षित प्रणालींच्या तुलनेत केवळ भाषण मॉडेल किती कार्यक्षमतेने भाषा आणि तथ्ये शिकतात? ते नवीन भाषा किती कार्यक्षमतेने शिकू शकतात? ते कोणत्या प्रकारचे संदर्भातील शिक्षण करू शकतात? "डेसा सखोल शिक्षण मॉडेल्सची सीमा पुढे करते आणि संशोधकांना शोधण्यासाठी पूर्णपणे नवीन आणि मनोरंजक वर्तनांसह एक वेगळी श्रेणी तयार करते," घोषणा वाचते.
खेळपट्टीत दफन केलेला व्यावहारिक दावा देखील आहे. ब्लॉक म्हणतो की Dessa चे अनुमान रिअल टाइम पेक्षा जास्त वेगाने चालते, त्यामुळे विचित्र विराम न देता प्रत्युत्तरे येतात ज्यामुळे टर्न-आधारित व्हॉईस सहाय्यकांना त्रास होतो आणि — लाँचच्या Unite.AI च्या कव्हरेजनुसार — हे मॉडेल M4 Max चिपसह MacBook Pro किंवा त्याहून अधिक सक्षम असलेल्या ग्राहक हार्डवेअरवर स्थानिक पातळीवर चालते. अचूक असल्यास, स्थानिक पातळीवर चालणारे फुल-डुप्लेक्स व्हॉइस मॉडेल अशा क्षणी लक्षणीय असेल जेव्हा सर्वात स्पर्धात्मक व्हॉइस एआय क्लाउड-बाउंड राहील.
"भाषणासाठी जीपीटी-3 क्षण"
ब्लॉकच्या AI रिसर्च लॅबचे नेतृत्व करणारे रागावन थुरैरत्नम यांनी डेस्सा हे पहिले AI मॉडेल म्हणून वर्णन केले जे संपूर्णपणे भाषणाचे प्रशिक्षण घेतल्यानंतर वास्तववादी संभाषण करू शकते आणि घोषणेवर Unite.AI च्या अहवालानुसार रिलीजला "भाषणासाठी एक GPT3 क्षण" असे म्हटले. तुलना निदर्शनास आणून दिली आहे: GPT-3 च्या 2020 च्या पदार्पणाने लगेच उपयुक्त उत्पादने तयार केली नाहीत, परंतु भाषा मॉडेल काय करू शकतात याची पुनर्रचना केली आणि सध्याच्या गुंतवणूक चक्राला सुरुवात केली.
लाँच कव्हर करणाऱ्या द व्हर्जने निकालाचे वर्णन "तुझ्याशी एका विचित्र मित्रासारखे बोलणारे" मॉडेल म्हणून केले - डेमो क्लिपचा एक उद्बोधक सारांश ज्यामध्ये डेसा आश्चर्याने "ओह माय गॉड" श्वास घेतो किंवा वैयक्तिक बातम्यांना प्रतिसाद देतो. त्या पद्धती अस्सल समज प्रतिबिंबित करतात किंवा अत्याधुनिक नमुना पुनरुत्पादन तंतोतंत प्रश्नाचा प्रकार आहे की ब्लॉक म्हणतो की ते संशोधन समुदायाने तपासावे.
सुरक्षितता कोन प्रथम येतो — एकदाच
विशेष म्हणजे, ब्लॉक डेसा थेट ग्राहकांना पाठवत नाही. रिलीझ हे संशोधन पूर्वावलोकन आहे: रेकॉर्डिंग सार्वजनिक आहेत, प्रतीक्षा यादी खुली आहे, परंतु हँड्स-ऑन लवकर प्रवेश AI सुरक्षा संशोधकांच्या लहान गटासाठी मर्यादित आहे. व्हॉईस-क्लोनिंग घोटाळे आणि भावनिकरित्या हाताळणी करणाऱ्या AI साथीदारांबद्दल सतत चिंता लक्षात घेता, एक भाषण मॉडेल जे व्यक्त करू शकते — आणि संभाव्यतः स्पष्ट — भावना अगदी त्याच प्रकारचे सिस्टम सुरक्षा कार्यसंघ मोठ्या प्रमाणात तैनातीपूर्वी मूल्यांकन करू इच्छित आहेत.
येत्या काही दिवसांत X वर आणखी रेकॉर्डिंग शेअर केले जातील असे ब्लॉक म्हणतो. कंपनीने त्याच्या स्क्वेअर, कॅश ॲप किंवा बिटकी उत्पादनांसाठी किंमत, API प्रवेश किंवा एकत्रीकरण योजना जाहीर केल्या नाहीत.
खुले प्रश्न
डेसाचे लाँच गजबजलेल्या शेतात उतरले. प्रत्येक प्रमुख AI लॅब आता व्हॉईस मोड पाठवते आणि स्टार्टअप्स दोन वर्षांपासून रिअल-टाइम स्पीच मॉडेल्स पुढे ढकलत आहेत. डेसाला काय वेगळे करते ते म्हणजे त्याची प्रशिक्षण कृती — शुद्ध भाषण, शून्य मजकूर — आणि असा दावा की मधल्या वाक्यातील हास्यासारखे उद्भवणारे संभाषणात्मक वर्तन स्पष्ट निर्देशांशिवाय उद्भवले.
संशयवादींना स्वतंत्र मूल्यमापन हवे असेल. मजकूर-मुक्त मॉडेल खरोखर तथ्ये विश्वसनीयरित्या शिकू शकते किंवा लिखित भाषेच्या आधाराशिवाय ते अधिक मुक्तपणे भ्रमित करते? ते प्रतिलेखांशिवाय नवीन भाषांमध्ये स्केल करू शकते का? ब्लॉकचे स्वतःचे पृष्ठ नेमके या प्रश्नांना आमंत्रित करते, जे एकतर आत्मविश्वास किंवा स्पष्ट पावती आहे की - ब्लॉकसह - कोणालाही अद्याप उत्तरे माहित नाहीत.
आत्तासाठी, डेसा ही वेटलिस्ट असलेली संशोधन कलाकृती आहे. परंतु जर केवळ भाषण प्रशिक्षण मजकूर-ग्राउंडेड पाइपलाइनसह स्पर्धात्मक सिद्ध झाले, तर ब्लॉकने आधुनिक AI मधील एक अधिक मनोरंजक विरोधाभासी बेट समोर आणले असेल: नैसर्गिक मशीन संभाषणाचा सर्वात जलद मार्ग म्हणजे मशीन तयार करणे जे आम्ही जसे केले तसे शिकणे — ऐकून.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
