Block's yeni ses modeli ürkütücü derecede insan gibi ses çıkarıyor
Özgün başlık: Block s new voice model sounds eerily human
Ne oldu
Jack Dorsey'nin kurduğu Block şirketi, araştırma laboratuvarında geliştirilen Dessa adlı yeni bir ses modelini duyurdu. Gülme, duraklama ve ağlama gibi insan benzeri ifadeler barındıran bu model, tamamen insan konuşmalarıyla eğitildi ve tek bir NVIDIA grafik işlemcisi üzerinde çalışabiliyor. Model, aynı anda hem konuşup hem de dinleme yapabilen tam çift yönlü bir yapıya sahip bulunuyor. Yapılan paylaşımlara göre bu teknoloji, metin tabanlı ara katmanlar kullanmak yerine duyguyu doğrudan bünyesinde barındırıyor.
Neden önemli
Mevcut sesli yapay zekâ sistemlerinin bir kısmı, konuşma üretmek için metin akışına güvendiği için yapay ve rahatsız edici gelebiliyor. Block ise sesin zekâyla etkileşim kurmanın en doğal yolu olduğuna inanıyor ve geliştirilen yeni modelin duygusal tonlar, tonlamalar ve duraklamalar açısından oldukça gerçekçi bir deneyim sunduğunu aktarıyor. Sistem, geleneksel modellerin aksine ses verilerini doğrudan işleyerek duygu tonunu metin etiketleri olmadan yansıtabiliyor.
Teknik detaylar
Dessa, konuşma verilerinden beslenen ve bilgi edinmek için büyük dil modellerine ihtiyaç duymayan tam çift yönlü bir konuşma modeli olarak öne çıkıyor. Şirket tarafından paylaşılan bilgilere göre bu sistem, MacBook M4 Max gibi tüketici sınıfı bilgisayarlarda yerel olarak çalıştırılabiliyor.
Kimi etkiler, ne yapmalı
Şu aşamada model kamuoyunun erişimine açık değil. Block, olası güvenlik risklerini ve sistemin insanları kandırma ihtimalini değerlendirmek amacıyla güvenlik araştırmacılarından destek çağrısında bulundu. Finans ve küçük işletmelere yönelik çözümler sunan Block'un bu teknolojiyi maliyetleri düşürerek gelecekte farklı tüketici ve iş süreçlerinde kullanabileceği değerlendiriliyor.
What happened
Block, founded by Jack Dorsey, has introduced a new voice model named Dessa developed within its research lab. Capable of producing expressions such as laughter, pauses, and crying, the model was trained entirely on human speech and operates using a single NVIDIA GPU. The system features a full-duplex design, allowing it to speak and listen simultaneously without relying on standard text-based pipelines for emotional cues.
Why it matters
Current voice AI technologies often sound unnatural because they utilize text streams to drive speech generation. Block positions its new model as a more authentic alternative, aiming to bridge the gap in conversational realism by capturing nuances, cadences, and emotions natively rather than relying solely on text-to-speech conversion.
Technical details
Dessa functions as a speech-to-speech full-duplex model that derives its conversational knowledge directly from speech data rather than pairing with external large language models. According to the company, the system is lightweight enough to run locally on consumer-grade hardware, including devices like a MacBook M4 Max.
Who is affected, what to do
The model is not currently available for public access. Block has instead invited safety researchers to test the system, aiming to identify and mitigate potential risks such as deceptive voice interactions. While the technology holds future potential for business applications and customer experiences, no immediate action is required from the general public.
Qué pasó
Block, fundada por Jack Dorsey, ha introducido un nuevo modelo de voz llamado Dessa desarrollado en su laboratorio de investigación. Capaz de producir expresiones como risas, pausas y llanto, el modelo fue entrenado completamente en el habla humana y opera usando una única GPU NVIDIA. El sistema presenta un diseño full-duplex, lo que le permite hablar y escuchar simultáneamente sin depender de canales estándar basados en texto para señales emocionales.
Por qué es importante
Las tecnologías actuales de inteligencia artificial de voz a menudo suenan antinaturales porque utilizan flujos de texto para impulsar la generación de voz. Block posiciona su nuevo modelo como una alternativa más auténtica, con el objetivo de cerrar la brecha en el realismo conversacional al capturar matices, cadencias y emociones de forma nativa en lugar de depender únicamente de la conversión de texto a voz.
Detalles técnicos
Dessa funciona como un modelo full-duplex de voz a voz que deriva su conocimiento conversacional directamente de los datos del habla en lugar de combinarlos con grandes modelos de lenguaje externos. Según la compañía, el sistema es lo suficientemente liviano como para ejecutarse localmente en hardware de consumo, incluidos dispositivos como una MacBook M4 Max.
Quién se ve afectado, qué hacer
El modelo no está actualmente disponible para el acceso público. En cambio, Block invitó a investigadores de seguridad a probar el sistema, con el objetivo de identificar y mitigar riesgos potenciales, como interacciones de voz engañosas. Si bien la tecnología tiene potencial futuro para aplicaciones comerciales y experiencias de clientes, no se requiere ninguna acción inmediata por parte del público en general.
Что случилось
Компания Block, основанная Джеком Дорси, представила новую модель голоса под названием Dessa, разработанную в ее исследовательской лаборатории. Модель, способная воспроизводить такие выражения, как смех, паузы и плач, была полностью обучена человеческой речи и работает с использованием одного графического процессора NVIDIA. Система имеет полнодуплексную конструкцию, что позволяет ей говорить и слушать одновременно, не полагаясь на стандартные текстовые конвейеры для получения эмоциональных сигналов.
Почему это важно
Современные технологии голосового искусственного интеллекта часто звучат неестественно, поскольку они используют текстовые потоки для генерации речи. Block позиционирует свою новую модель как более аутентичную альтернативу, стремящуюся преодолеть разрыв в разговорном реализме за счет естественного улавливания нюансов, ритма и эмоций, а не полагаться исключительно на преобразование текста в речь.
Технические детали
Dessa функционирует как полнодуплексная модель преобразования речи в речь, которая извлекает свои разговорные знания непосредственно из речевых данных, а не в сочетании с внешними большими языковыми моделями. По словам компании, система достаточно легкая, чтобы работать локально на оборудовании потребительского уровня, включая такие устройства, как MacBook M4 Max.
Кто пострадал, что делать
Модель на данный момент недоступна для публичного доступа. Вместо этого Блок пригласил исследователей безопасности протестировать систему, стремясь выявить и снизить потенциальные риски, такие как обманчивое голосовое взаимодействие. Несмотря на то, что технология имеет будущий потенциал для бизнес-приложений и обслуживания клиентов, от широкой общественности не требуется немедленных действий.