رونمایی Block از مدل صوتی Dessa؛ آموزش کاملاً صوتی بدون نیاز به متن

آزمایشگاه تحقیقات هوش مصنوعی شرکت Block از یک مدل صوتی جدید به نام Dessa رونمایی کرده است. این مدل به‌صورت دوطرفه کامل (Full-Duplex) عمل می‌کند، به این معنی که می‌تواند هم‌زمان گوش دهد و صحبت کند. نکته متمایزکننده Dessa این است که تمام آموزش آن صرفاً روی گفتار انسان انجام شده و هیچ داده متنی یا مدل متنی پیش‌آموزش‌دیده‌ای در ساخت آن به کار نرفته است.

برخلاف سیستم‌های رایج دستیار صوتی که شامل سه مرحله تبدیل گفتار به متن، مدل متنی و سپس تبدیل متن به گفتار هستند، Dessa لحن، قطع کلام، خنده و حالات احساسی را به‌طور مستقیم درک و تولید می‌کند. دموی منتشرشده نشان می‌دهد که مدل می‌تواند میان جمله بخندد، لحن خود را تغییر دهد و مانند انسان در مکالمات واقعی واکنش نشان دهد.

شرکت Block برای آموزش این مدل از یک رک سخت‌افزاری NVIDIA GB200 NVL72 شامل ۷۲ پردازنده گرافیکی Blackwell بهره برده است. بر اساس ادعای توسعه‌دهندگان، Dessa کلمات و زبان را با داده‌هایی صدها برابر کمتر از آنچه مدل‌های بزرگ زبانی (LLM) نیاز دارند یاد گرفته است. همچنین امکان اجرای محلی آن روی لپ‌تاپ‌های MacBook Pro M4 Max با سرعتی بالاتر از زمان واقعی وجود دارد.

با وجود قابلیت‌های نمایش داده‌شده، هنوز هیچ بنچمارک رسمی، تعداد پارامتر، وزن مدل یا مقاله علمی برای Dessa منتشر نشده است. دسترسی به این مدل در حال حاضر محدود به نسخه پیش‌نمایش تحقیقاتی و لیست انتظار است.