Block představil Dessa: hlasovou AI vycvičenou výhradně na řeči

Platební společnost Block, vedená Jackem Dorseym, v pátek 23. října představila Dessa, model umělé inteligence pro převod řeči na řeč, který byl podle společnosti vycvičen "od základu pouze na lidské konverzaci". Podle projektové stránky společnosti do něj nebyl vložen žádný text ani předtrénované modely. Block jej nazývá "první AI na světě, se kterou můžete vést realistický živý rozhovor a která byla vycvičena pouze z lidské řeči."theverge.com

Většina hlasových asistentů před odpovědí převede mluvená slova na text. Dessa tento krok vynechává, což malý výzkumný tým společnosti Block staví na jinou cestu, než jakou se ubírají textem ukotvené systémy dominující trhu. Prozatím je raný přístup nabízen pouze malé skupině výzkumníků v oblasti bezpečnosti AI.

Jak Dessa funguje

Block uvádí, že Dessa je plně duplexní, což znamená, že poslouchá a mluví zároveň. Protože se učila z reálných konverzací, pozná, kdy má vstoupit do řeči a kdy reagovat krátkými odpověďmi jako "jo!" nebo "jasně!". Block také tvrdí, že inference probíhá rychleji než v reálném čase a že model běží lokálně na MacBooku Pro M4 Max nebo lepším hardwaru. Vedoucí projektu Ragavan Thurairatnam na síti X napsal, že model může běžet na běžných grafických kartách, a označil to za "moment GPT3 pro řeč."x.com+1

Laboratoř se na projektové stránce popisuje jako "(velmi) malá výzkumná laboratoř AI v rámci Blocku, založená bývalými členy Dessa, startupu pro hluboké učení z Toronta."block.xyz

Přirozená, někdy trapná

Server The Verge uvedl, že ukázkové konverzace mohou být "trochu trapné a znepokojivé". V jednom klipu, který Thurairatnam sdílel, si model nejprve splete mluvčího s někým jménem "Ronaldo". V jiné konverzaci o filmech Christophera Nolana se rozhovor stočí k filmům o Supermanovi od Bryana Singera. Jinde Dessa odpovídá na zprávu o překvapivém výletu do Paříže tím, co server nazývá "slzavou vděčností". Block také zveřejnil konverzaci mezi Dessa a hlasovým modelem GPT-Live-1 od OpenAI a The Verge poznamenal, že Dessa působila přirozeněji.theverge.com

Block nezveřejnil údaje o latenci, počtu parametrů ani velikosti tréninkových dat, což je mezera, na kterou upozornila analýza serveru ic.work.ic.work

Argument bezpečnosti

Tým uvádí tři důvody pro vytvoření Dessa: "zvědavost (neboli zábava), lepší porozumění mezi lidmi a AI a bezpečnost," uvedl The Verge. "Děti se učí mluvit, aniž by kdy viděly napsané slovo. Chtěli jsme zjistit, zda to dokáže i model. Dokáže. Je to jen velmi těžké," napsal tým.theverge.com

Tým argumentuje, že dnešní hlasová AI "zplošťuje to, co říkáme, do textu" a je "stále téměř hluchá k emocím v našich hlasech". Jejich slovy: "Představte si, že máte velké bolesti, zatímco hlasová AI o tom nemá tušení a prostě pokračuje dál. To je bezpečnostní problém. Dessa je krokem k jeho vyřešení."

Širší veřejný přístup bude probíhat prostřednictvím pořadníku, uvedl server Unite.AI.unite.ai