Block a prezentat Dessa, modelul de voce AI care vorbește ca un prieten ușor stângaci

Block, compania de tehnologie condusă de Jack Dorsey, a dezvăluit un proiect atipic în peisajul actual al inteligenței artificiale: Dessa, un model generativ axat în întregime pe vorbire, antrenat de la zero doar pe baza conversațiilor umane, fără a fi expus textului scris. Rezultatul este o experiență audio bizară și surprinzător de umană, în care asistentul nu mai sună ca un robot corporativ calibrat perfect, ci mai degrabă ca o persoană reală, uneori stângace, capabilă de pauze naturale, ezitări și reacții emoționale neașteptate.

Ce s-a întâmplat

Echipa din spatele Dessa susține că abordarea convențională a asistenților vocali irosește potențialul vocii umane, deoarece majoritatea sistemelor transformă mai întâi sunetul în text, procesează datele printr-un model lingvistic și apoi sintetizează un răspuns. Dessa funcționează ca un sistem nativ de tip „speech-to-speech”, învățând ritmul, intonația și emoțiile direct din audio, la fel cum învață un bebeluș să vorbească înainte de a ști să citească literele.

Demonstrațiile publicate de echipă arată conversații în care Dessa ghicește cuvinte, comentează filmele lui Christopher Nolan sau devine vizibil emoționată când interlocutorul îi propune o călătorie surpriză la Paris. Într-un alt test, Dessa poartă un dialog direct cu modelul GPT-Live-1 de la OpenAI, unde proiectul celor de la Block pare mult mai natural în sincronizarea schimburilor de replici. Un detaliu tehnic impresionant este că modelul este conceput să ruleze local pe computere Apple dotate cu procesoare MacBook Pro M4 Max sau configurații superioare, fără a depinde neapărat de centre de date masive.

De ce contează în România

Pentru comunitatea locală de cercetare și programare în inteligență artificială, Dessa demonstrează că modelele vocale native încep să devină accesibile hardware fără clustere imense de servere. Trecerea de la arhitectura clasică (Speech-to-Text urmat de LLM și Text-to-Speech) la modele speech-to-speech pure rezolvă probleme majore de latență și pierdere a contextului emoțional.

Pentru companiile românești care dezvoltă asistenți virtuali pentru suport clienți, telemedicină sau servicii de urgență, tehnologii de acest tip deschid calea către sisteme care pot detecta durerea, panica sau ezitarea din vocea unui apelant. O astfel de nuanțare a tonului lipsește aproape complet din interfețele vocale actuale utilizate pe piața locală.

Cum poți încerca

În acest moment, Dessa nu este disponibil public ca produs comercial sau printr-o aplicație ce poate fi descărcată direct de utilizatori. Echipa de dezvoltare a anunțat că oferă acces timpuriu doar unui grup restrâns de cercetători specializați în siguranța inteligenței artificiale.

Publicul larg poate totuși să asculte mostrele audio și demonstrațiile video direct pe site-ul oficial al proiectului Dessa, unde sunt ilustrate capacitățile modelului, stângăciile de început și modul în care gestionează dialogul în timp real.