Block, spółka technologiczna założona przez Jacka Dorseya, ogłosiła powstanie modelu AI o nazwie Dessa. Najciekawszy jest jednak nie sam komunikat, a założenie leżące u jego podstaw: sieć miała zostać wytrenowana od zera wyłącznie na ludzkich rozmowach, bez tekstowego pośrednika. Zamiast więc uczyć modelu języka na piśmie i dopiero potem doklejać do niego syntezator mowy, zespół postanowił zacząć od dźwięku.
Dowody mają być dostępne publicznie, bo Block udostępnił nagrania przykładowych konwersacji. W jednej z nich, zaprezentowanej przez Ragavana Thurairatnama kierującego projektem, wymiana zdań toczy się w większości naturalnym rytmem – z pauzami, drobnymi potknięciami i reakcjami, które brzmią jak rozmowa, a nie odczyt skryptu. Jest też rysa: model na starcie bierze rozmówcę za kogoś o imieniu „Ronaldo”. To drobiazg, ale dobrze pokazuje, z czym mamy do czynienia – z systemem, który uczy się konwersacyjnych konwencji, lecz nie zawsze trafnie przypisuje kontekst.
Na stronie projektu znalazły się kolejne przykłady. Dessa dyskutuje o filmach Christophera Nolana, by nagle zboczyć na temat superbohaterskich produkcji Bryana Singera, a w innej rozmowie reaguje na wieść o niespodziewanym wyjeździe do Paryża czymś, co autorzy opisują jako „łzawą wdzięczność”. Jest też zestawienie z modelem głosowym GPT-Live-1 od OpenAI, w którym Dessa wypada bardziej ludzko. Te momenty niezamierzonej dziwności są tu nie przypadkiem, lecz częścią przekazu: model ma brzmieć jak nowo poznany znajomy, a nie jak perfekcyjnie wygładzona infolinia.
Technicznie Dessa jest modelem typu speech-to-speech – przetwarza mowę bezpośrednio, bez etapu zamiany dźwięku na tekst i z powrotem. Według zespołu potrafi działać lokalnie na MacBooku Pro z układem M4 Max lub mocniejszym, co w praktyce oznacza, że nie wymaga chmury do podstawowego funkcjonowania. To istotna deklaracja w czasach, gdy większość zaawansowanych modeli głosowych działa jako usługa zdalna.
Motywacje twórcy opisują w trzech punktach: ciekawość, lepsze porozumienie między ludźmi a AI oraz bezpieczeństwo. Najbardziej przekonujący jest trzeci wątek. Dzisiejsze systemy głosowe, zdaniem zespołu, spłaszczają mowę do tekstu i gubią timing, a przy tym pozostają niemal głuche na emocje w głosie. Wyobraźmy sobie kogoś w silnym bólu, podczas gdy asystent prowadzi rozmowę dalej, nieświadomy niczego – to właśnie ten scenariusz ma być punktem wyjścia dla Dessa. Zespół zapowiada też wczesny dostęp dla niewielkiej grupy badaczy zajmujących się bezpieczeństwem AI.
Warto zachować sceptycyzm. Kilka wyselekcjonowanych nagrań to jeszcze nie dowód na ogólną jakość modelu, a deklaracja o treningu „tylko na ludzkiej mowie” wymaga niezależnej weryfikacji – zwłaszcza że nie ujawniono ani rozmiaru zbioru danych, ani szczegółów architektury. Niemniej kierunek jest wyraźny: po latach wyścigu o jak największe modele tekstowe kolejna firma stawia na interfejs, który ludzie znają najlepiej, czyli zwykłą rozmowę.
Podsumowanie: Dessa to próba zbudowania AI głosowej od podstaw na ludzkich konwersacjach, a nie na tekście. Efekt jest momentami zaskakująco naturalny, momentami niezręczny – i właśnie ta niezręczność może okazać się jej najciekawszą cechą.