Block pokazał Dessa. Model głosowy uczony wyłącznie na mowie

Czym jest Dessa i czym różni się od innych modeli głosowych

Większość dzisiejszych asystentów głosowych składa się z kilku elementów. Mowa jest zamieniana na tekst, odpowiedź przygotowuje model językowy, a na końcu syntezator czyta ją na głos. Dessa działa inaczej. Block opisuje go jako model rozmowy, który przyjmuje dźwięk i od razu odpowiada dźwiękiem, a wiedzę o języku czerpie wyłącznie z nagranych rozmów.

Według firmy model nauczył się języka z setki razy mniejszej liczby słów niż typowe modele językowe. Emocje nie są w nim sterowane znacznikami w tekście, jak w syntezatorach typu Eleven v4, tylko wynikają z samego treningu na mowie. TechCrunch zwraca uwagę, że to odróżnia Dessa także od GPT-Live 1 od OpenAI, który również działa w trybie full-duplex, ale opiera się na modelu językowym.

Co potrafi według Block

Na stronie projektu firma pokazuje nagrania, w których model śmieje się w środku zdania, wtrąca krótkie potwierdzenia, ścisza głos na prośbę rozmówcy i reaguje na sarkazm. Jedno z nagrań przedstawia rozmowę Dessa z modelem GPT-Live 1. Block zaznacza, że OpenAI nie jest powiązane z projektem i go nie poparło.

Jack Dorsey napisał na X, że głos jest najbardziej naturalnym sposobem kontaktu z inteligencją. Ragavan Thurairatnam, który kieruje zespołem Dessa, nazwał model przełomem dla mowy na miarę GPT-3. To deklaracje twórców, których na razie nie potwierdziły niezależne testy.

• Wejście i wyjście - wyłącznie dźwięk, bez etapu zamiany na tekst.
• Tryb rozmowy - full-duplex, model słucha i mówi jednocześnie.
• Trening - od zera, wyłącznie na nagraniach ludzkich rozmów, na jednym systemie NVIDIA GB200 NVL72.
• Uruchamianie - lokalnie, na MacBooku Pro z M4 Max lub mocniejszym sprzęcie, szybciej niż w czasie rzeczywistym.
• Dostęp - lista oczekujących i wczesny dostęp dla wybranych badaczy bezpieczeństwa AI.

Ile sprzętu potrzeba do treningu i uruchomienia

Źródła różnią się w opisie zasobów treningowych. TechCrunch pisze o jednym procesorze graficznym NVIDIA, natomiast strona Block wskazuje jeden system GB200 NVL72. To szafa serwerowa z 72 procesorami graficznymi Blackwell połączonymi w jeden układ, więc mowa o skali znacznie większej niż pojedyncza karta. W porównaniu z klastrami używanymi do trenowania czołowych modeli językowych to jednak wciąż niewielki zasób.

Ważniejsza dla użytkowników jest druga informacja. Model ma działać na laptopie, bez wysyłania głosu do chmury. Dla firm oznaczałoby to niższy koszt każdej rozmowy i mniej danych osobowych przekazywanych zewnętrznym dostawcom. Block wiąże projekt z własnym biznesem, bo w systemach Square działają już zamówienia głosowe, a model na urządzeniu mógłby obniżyć ich koszt.

Bezpieczeństwo i czego jeszcze nie wiadomo

Block nie wypuszcza modelu publicznie. Najpierw dostanie go niewielka grupa badaczy bezpieczeństwa AI, którzy mają szukać nieprzewidzianych zagrożeń. TechCrunch podaje, że firma szczególnie chce sprawdzić scenariusze, w których agent głosowy mógłby wprowadzać ludzi w błąd. Model, który brzmi jak człowiek, śmieje się i reaguje na emocje, może ułatwić oszustwa telefoniczne i podszywanie się pod innych.

Lista niewiadomych jest długa. Block nie podał liczby parametrów, wyników w testach porównawczych, listy języków, ceny ani daty udostępnienia. Na stronie jest próbka po hiszpańsku, ale nauka nowych języków jest opisana jako otwarte pytanie badawcze. Nic nie wskazuje więc na to, że model obsługuje dziś język polski.

Co to oznacza dla użytkowników i firm w Polsce

Na razie Dessa nie da się wypróbować ani wdrożyć, więc polskie firmy korzystające z botów głosowych nie mają powodu zmieniać dostawcy. Projekt pokazuje jednak kierunek rozwoju. Modele głosowe mają działać lokalnie, bez opóźnień i z naturalną intonacją, co obniży koszt obsługi klienta przez telefon.

Ta sama cecha zwiększa ryzyko dla konsumentów. Coraz trudniej będzie po samym głosie odróżnić rozmowę z człowiekiem od rozmowy z automatem. W UE od 2 sierpnia 2026 roku art. 50 AI Act wymaga, by systemy AI wchodzące w interakcję z ludźmi informowały o tym rozmówcę, chyba że wynika to jasno z okoliczności. W naszej ocenie przy tak realistycznych modelach jasne oznaczanie rozmów z AI stanie się dla firm obowiązkiem, którego nie da się pominąć.