Výzkumná laboratoř společnosti Block nedávno představila svůj nový hlasový model s názvem Dessa. Tato inovace zaujala svou schopností běžet lokálně na koncových zařízeních a reprodukovat lidskou řeč s nečekanou autenticitou, včetně výrazných projevů, jako jsou smích, pauzy či dokonce náznaky pláče. Dle informací vývojářů je model Dessa trénován výhradně na lidské řeči a pro jeho provoz postačuje jediná GPU jednotka NVIDIA, což podtrhuje jeho efektivitu.
Klíčovou vlastností modelu Dessa je jeho plně duplexní provoz. To znamená, že dokáže simultánně mluvit i naslouchat, což značně zrychluje a zpřirozenuje konverzaci – podobně jako v lidské interakci. Na rozdíl od běžných hlasových modelů, které často spoléhají na propojení s rozsáhlými jazykovými modely pro získávání informací, Dessa čerpá své znalosti přímo z konverzačních dat, na nichž byla trénována.
Vývojáři upozorňují, že současné hlasové modely často znějí nepřirozeně, až rušivě, jelikož se při generování řeči opírají o textový mezistupeň. Mnoho z nich využívá speciální hlasové značky či tagy k vložení emocí do generované řeči. Společnost však tvrdí, že u modelu Dessa jsou emoce integrální součástí jeho architektury, ačkoliv mechanismus jejich řízení není detailně specifikován.
Ve svém blogovém příspěvku tým kritizuje stávající metody interakce s hlasovou umělou inteligencí. Poukazují na to, že převod hlasu na text odstraňuje obrovské množství informací, které text sám o sobě nedokáže přenést. Konstatují, že i ty nejsilnější umělé inteligence současnosti nedokážou vnímat emoce uživatele, což vede k horším uživatelským zkušenostem a potenciálně i k bezpečnostním rizikům.
Výzkumníci demonstrovali schopnosti modelu Dessa prostřednictvím několika konverzačních ukázek. Tyto příklady zahrnovaly situace, kde asistent projevoval různé hlasy, kadence a emoce. Například v jedné konverzaci zněla AI unaveně, když mluvila o pracovní únavě. V jiné ukázce projevovala emotivní tón, téměř se dojatě lámala v hlase, když diskutovala o pohodlí, které jí někdo poskytuje. Další ukázka představovala interakci, kde člen týmu hraje hru s hlasovým asistentem.
Chystáte nový web nebo aplikaci?
Napište mi, co plánujete — rád se na to podívám a poradím, jak na to nejlépe jít.
Zajímavostí je, že model je navržen tak, aby mohl běžet lokálně na běžném spotřebitelském hardwaru, například na počítači typu MacBook M4 Max nebo výkonnějším. Veřejný přístup k modelu Dessa však v současné době není k dispozici. Společnost namísto toho vyzvala bezpečnostní výzkumníky k testování modelu, což naznačuje snahu důkladně prověřit potenciální scénáře, například ty, kde by hlasový agent mohl nevědomky nebo záměrně klamat uživatele.
Ačkoliv společnost Block působí převážně ve finančním sektoru a nabízí řešení pro malé podniky – například platforma Square již využívá hlasovou umělou inteligenci pro zpracování objednávek – vývoj vlastního hlasového modelu schopného běžet přímo na zařízení otevírá dveře k široké škále nových obchodních i spotřebitelských aplikací. Tato technologie má potenciál významně snížit náklady a rozšířit možnosti interakce.