شرکت Block، متعلق به جک دورسی، از مدل هوش مصنوعی صوتی جدیدی به نام Dessa رونمایی کرده است که می‌تواند مکالماتی طبیعی و نزدیک به گفت‌وگوی انسان‌ها ایجاد کند. این مدل قادر است هنگام صحبت‌کردن به حرف مخاطب گوش دهد، به تغییرات لحن واکنش نشان دهد و رفتارهایی مانند خندیدن، مکث‌کردن و پاسخ‌دادن در میانه مکالمه را شبیه‌سازی کند.
براساس اعلام رسمی Block در ۲۳ اکتبر ۲۰۲۶ و گزارش رسانه‌هایی مانند TechCrunch و The Verge، مدل Dessa از ابتدا با استفاده از مکالمات صوتی انسان آموزش دیده و برخلاف بسیاری از سامانه‌های متداول، برای پردازش مکالمه به تبدیل گفتار به متن وابسته نیست. این مدل فعلاً یک پروژه تحقیقاتی است و هنوز برای استفاده عمومی عرضه نشده است.
هوش مصنوعی Dessa چیست و چگونه کار می‌کند؟
Dessa یک مدل هوش مصنوعی از نوع Speech-to-Speech است؛ یعنی ورودی آن گفتار و خروجی آن نیز گفتار است.
در بسیاری از سامانه‌های صوتی، صدای کاربر ابتدا به متن تبدیل می‌شود، سپس یک مدل زبانی پاسخ را تولید می‌کند و در مرحله آخر، متن پاسخ به گفتار تبدیل می‌شود.
به گفته Block، این فرایند می‌تواند بخشی از اطلاعات موجود در صدای انسان، مانند لحن، مکث‌ها، ریتم صحبت‌کردن و نشانه‌های احساسی را از بین ببرد.
Dessa با رویکرد متفاوتی توسعه یافته و مستقیماً داده‌های صوتی را پردازش می‌کند.
شرکت سازنده می‌گوید این مدل بدون استفاده از داده‌های متنی یا مدل‌های ازپیش‌آموزش‌دیده ساخته شده است.
هدف این رویکرد، ایجاد هوش مصنوعی‌ای است که علاوه بر درک محتوای مکالمه، بتواند نحوه بیان آن را نیز بهتر تشخیص دهد.
مکالمه هم‌زمان؛ تفاوت اصلی Dessa با دستیارهای صوتی معمولی
یکی از مهم‌ترین قابلیت‌های Dessa، پشتیبانی از مکالمه Full-Duplex یا ارتباط دوطرفه هم‌زمان است.
در این روش، مدل می‌تواند هنگام صحبت‌کردن همچنان صدای کاربر را دریافت و پردازش کند.
برای مثال، اگر کاربر وسط پاسخ هوش مصنوعی صحبت کند، مدل می‌تواند متوجه وقفه شود و متناسب با شرایط واکنش نشان دهد.
این قابلیت به مکالمه طبیعی انسان‌ها شباهت دارد؛ زیرا افراد در گفت‌وگوهای واقعی همیشه منتظر پایان کامل صحبت طرف مقابل نمی‌مانند.
در نمونه‌های منتشرشده از سوی Block، مدل Dessa هنگام مکالمه می‌خندد، مکث می‌کند و از واکنش‌های کوتاه برای نشان‌دادن توجه به صحبت مخاطب استفاده می‌کند.
البته Dessa نخستین مدل دارای قابلیت Full-Duplex نیست و سامانه‌های صوتی دیگری نیز امکان مکالمه هم‌زمان را ارائه می‌کنند.
تفاوت مورد تأکید Block، آموزش مستقیم مدل بر پایه گفتار و حذف وابستگی به متن در مسیر پردازش مکالمه است.
هوش مصنوعی Dessa احساسات انسان را درک می‌کند؟
Block معتقد است یکی از مشکلات مهم دستیارهای صوتی، ازدست‌رفتن اطلاعات احساسی هنگام تبدیل صدا به متن است.
برای مثال، جمله‌ای یکسان می‌تواند بسته به لحن گوینده، نشان‌دهنده شادی، ناراحتی، نگرانی یا کنایه باشد.
در نمونه‌های نمایشی Dessa، این مدل تلاش می‌کند با تغییر آهنگ صدا، مکث‌های طبیعی و واکنش‌های متناسب با مکالمه، گفت‌وگویی انسانی‌تر ایجاد کند.
همچنین در برخی نمونه‌ها، هوش مصنوعی هنگام پاسخ‌دادن می‌خندد یا با لحنی متفاوت صحبت می‌کند.
بااین‌حال، چنین رفتارهایی به معنای تجربه واقعی احساسات توسط هوش مصنوعی نیست.
در واقع، Dessa الگوهای صوتی و رفتاری را پردازش و بازتولید می‌کند و هنوز شواهد مستقلی برای سنجش میزان دقت آن در تشخیص احساسات منتشر نشده است.
آموزش Dessa تنها با صدای انسان
یکی از ادعاهای مهم Block این است که مدل Dessa از ابتدا با استفاده از مکالمات صوتی انسان آموزش دیده است.
به گفته این شرکت، در فرایند آموزش مدل از داده‌های متنی یا مدل‌های زبانی ازپیش‌آموزش‌دیده استفاده نشده است.
این موضوع از آن جهت اهمیت دارد که بسیاری از سامانه‌های هوش مصنوعی برای یادگیری دانش عمومی و استدلال، به داده‌های متنی گسترده متکی هستند.
Block می‌گوید Dessa توانسته بخشی از دانش عمومی و توانایی‌های مکالمه‌ای خود را از داده‌های گفتاری به دست آورد.
در نمونه‌های منتشرشده، مدل در گفت‌وگوهای معمولی و بازی‌های حدس‌زدنی شرکت می‌کند.
بااین‌حال، شرکت هنوز نتایج آزمون‌های استانداردی را برای مقایسه توانایی استدلال و دانش عمومی Dessa با مدل‌های مطرح منتشر نکرده است.
بنابراین، نمی‌توان صرفاً براساس ویدیوهای نمایشی درباره برتری این مدل در استدلال یا درک مکالمات نتیجه‌گیری کرد.
اجرای هوش مصنوعی Dessa روی مک‌بوک
یکی از ویژگی‌های قابل‌توجه Dessa، امکان اجرای محلی آن روی سخت‌افزارهای مصرفی قدرتمند است.
Block اعلام کرده این مدل می‌تواند روی مک‌بوک پرو مجهز به تراشه M4 Max یا سخت‌افزار قدرتمندتر اجرا شود.
این شرکت همچنین ادعا می‌کند سرعت پردازش مدل از زمان واقعی سریع‌تر است؛ موضوعی که می‌تواند به کاهش تأخیر پاسخ‌ها کمک کند.
به گفته Block، آموزش Dessa با استفاده از یک سامانه NVIDIA GB200 NVL72 انجام شده است.
این موضوع نشان می‌دهد تیم توسعه‌دهنده تلاش کرده مدلی بسازد که برای اجرای مکالمات صوتی، به زیرساخت‌های بسیار بزرگ ابری وابسته نباشد.
البته تعداد پارامترهای مدل، میزان حافظه موردنیاز و نتایج دقیق آزمایش‌های عملکردی هنوز منتشر نشده‌اند.
آیا Dessa رقیب ChatGPT و Gemini است؟
معرفی Dessa توجه بسیاری از کاربران را به رقابت میان مدل‌های هوش مصنوعی صوتی جلب کرده است.
شرکت‌هایی مانند OpenAI و گوگل نیز روی توسعه مکالمات صوتی طبیعی و کم‌تأخیر سرمایه‌گذاری کرده‌اند.
مدل‌های جدیدتر صوتی می‌توانند گفت‌وگوهای تعاملی برقرار کنند و در برخی شرایط، وقفه‌های مکالمه را مدیریت کنند.
Dessa تلاش می‌کند با تمرکز بر پردازش مستقیم صدا و تولید واکنش‌های طبیعی، رویکرد متفاوتی ارائه دهد.
بااین‌حال، این مدل هنوز به‌صورت عمومی در دسترس نیست و مقایسه جامع و مستقلی از عملکرد آن با سایر سامانه‌ها منتشر نشده است.
در نتیجه، فعلاً نمی‌توان Dessa را برتر از مدل‌های صوتی ChatGPT یا Gemini دانست.
نگرانی درباره سوءاستفاده از صداهای طبیعی
واقع‌گرایی بالای صداهای تولیدشده توسط Dessa علاوه بر استقبال کاربران، نگرانی‌هایی نیز ایجاد کرده است.
برخی کارشناسان و کاربران شبکه‌های اجتماعی هشدار داده‌اند که فناوری‌های صوتی بسیار طبیعی می‌توانند تشخیص تماس‌های واقعی از مکالمات تولیدشده با هوش مصنوعی را دشوارتر کنند.
این مسئله به‌ویژه در زمینه جعل هویت صوتی و کلاهبرداری‌های تلفنی اهمیت دارد.
Block اعلام کرده قصد دارد در مرحله نخست، دسترسی به Dessa را برای گروه محدودی از پژوهشگران ایمنی هوش مصنوعی فراهم کند.
هدف از این اقدام، شناسایی خطرات احتمالی و بررسی رفتار مدل پیش از گسترش دسترسی است.
البته هنوز مشخص نیست چه ابزارهایی برای تشخیص صدای مصنوعی یا جلوگیری از سوءاستفاده از این فناوری در نسخه‌های آینده ارائه خواهند شد.
تیم سازنده Dessa چه کسانی هستند؟
مدل Dessa در آزمایشگاه تحقیقاتی هوش مصنوعی شرکت Block توسعه یافته است.
این تیم شامل تعدادی از اعضای شرکت کانادایی Dessa است؛ استارتاپی که در زمینه یادگیری عمیق و فناوری‌های تولید گفتار فعالیت داشت.
شرکت Square در سال ۲۰۲۰ این استارتاپ را خریداری کرد. Square بعدها نام شرکتی خود را به Block تغییر داد.
جک دورسی که پیش‌تر به‌عنوان یکی از بنیان‌گذاران توییتر شناخته می‌شد، اکنون مدیریت Block را برعهده دارد.
این شرکت علاوه بر خدمات مالی Square و Cash App، در حوزه‌های دیگری از جمله فناوری‌های مرتبط با بیت‌کوین و هوش مصنوعی نیز فعالیت می‌کند.
زمان انتشار و دسترسی عمومی به Dessa
در حال حاضر Dessa تنها به‌عنوان یک پیش‌نمایش تحقیقاتی معرفی شده است.
Block نمونه‌هایی از مکالمات مدل را منتشر کرده، اما هنوز اپلیکیشن عمومی یا API قابل استفاده برای توسعه‌دهندگان ارائه نداده است.
همچنین اطلاعاتی درباره قیمت، مجوز استفاده، تعداد پارامترها یا زمان انتشار عمومی مدل اعلام نشده است.
دسترسی اولیه قرار است در اختیار گروه محدودی از پژوهشگران ایمنی هوش مصنوعی قرار بگیرد.
در مجموع، Dessa نشان‌دهنده تلاش تازه‌ای برای ساخت هوش مصنوعی صوتی با مکالمات طبیعی‌تر است؛ اما موفقیت واقعی این فناوری به نتایج آزمایش‌های مستقل، ایمنی و عملکرد آن در شرایط استفاده روزمره بستگی خواهد داشت.
دیدگاه‌ها