دسا؛ مدل گفت‌وگوی صوتی شرکت Block که فقط با گفتار انسان آموزش دیده

Dessa چیست و چه فرقی دارد؟

بیشتر دستیارهای صوتی امروز زنجیره‌ای هستند: گفتار به متن تبدیل می‌شود، مدل زبانی پاسخ متنی می‌نویسد و بعد متن دوباره به صدا درمی‌آید. به ادعای Block، در این مسیر بخش بزرگی از احساس و نیت گوینده از بین می‌رود و تعامل با هوش مصنوعی صوتی «خسته‌کننده» می‌شود.

Dessa این زنجیره را کنار می‌گذارد. به گفتهٔ Block این مدل از صفر و فقط روی صدای مکالمه‌های انسانی آموزش دیده و زبان، لهجه، زمان‌بندی و بیان احساسات را مستقیم از صدای خام یاد گرفته است. معماری آن «تمام‌دوطرفه» (full-duplex) است؛ یعنی مثل آدم‌ها همزمان گوش می‌دهد و حرف می‌زند.

قابلیت‌هایی که Block ادعا می‌کند

به گفتهٔ Block، Dessa می‌تواند در لحظهٔ مناسب بخندد، میان‌حرف‌های تأییدی مثل «آها» و «فهمیدم» بگوید، وقتی کسی وسط حرفش می‌آید متوجه شود و کنایه را تشخیص دهد. بیان احساس هم به‌جای برچسب‌های دستی، بخشی از خود مدل توصیف شده است. TechCrunch می‌نویسد خروجی مدل «به‌شکلی عجیب انسانی» به گوش می‌رسد.

به گفتهٔ Block، استنتاج سریع‌تر از سرعت واقعی گفتار است و مدل روی سخت‌افزار مصرفی مانند مک‌بوک پرو با تراشهٔ M4 Max یا قوی‌تر به‌صورت محلی اجرا می‌شود. TechCrunch هم آموزش را روی «یک GPU انویدیا» گزارش کرده است. با این حال، Block معیار سنجش یا مقایسهٔ عددی با مدل‌های دیگر منتشر نکرده و این ادعاها فعلاً مستقل راستی‌آزمایی نشده‌اند.

دسترسی و ملاحظات ایمنی

مدل هنوز عمومی نیست. Block فهرست انتظار راه انداخته و گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی را برای ارزیابی ریسک‌های پیش‌بینی‌نشده به آن راه داده است. نگرانی روشن است: صدایی که این‌قدر انسانی به نظر برسد می‌تواند در دست مهاجم یا تبلیغات‌چی ابزار فریب و دستکاری شنونده شود.

محور تجاری هم قابل توجه است. به نوشتهٔ TechCrunch بخش خدمات مالی Block از قبل از هوش مصنوعی صوتی برای ثبت سفارش استفاده می‌کند و اجرای محلی می‌تواند هزینه‌های عملیاتی را کم کند.

چرا برای برنامه‌نویس‌ها مهم است؟

اگر ادعای آموزش بدون متن و اجرا روی لپ‌تاپ درست از آب دربیاید، نشان می‌دهد برای دستیار صوتی لزوماً به مدل زبانی بزرگ و ابری نیاز نیست. این یعنی تأخیر کمتر، حریم خصوصی بهتر چون صدا از دستگاه بیرون نمی‌رود و وابستگی کمتر به API های خارجی. برای کاربران فارسی‌زبان نکتهٔ مهم این است که هنوز معلوم نیست مدل چه زبان‌هایی را پشتیبانی می‌کند و آیا دسترسی به آن برای کاربران ایران ممکن خواهد بود.