Block представи Dessa: Гласов ИИ модел, обучен изцяло върху естествена човешка реч
Източник: Mashable / Block
Финтех и технологичният гигант Block, Inc. (ръководен от Джак Дорси) официално вдигна завесата над Dessa Voice – авангарден гласов невронен модел, обучен без нито един ред синтетичен текст или изкуствено генерирано аудио, а изцяло върху стотици хиляди часове автентичен, спонтанен човешки разговор [1]. Резултатът е диалогов реализъм, който заличава границата между машина и човек.
Досегашните комерсиални гласови асистенти страдаха от фундаментален естетически дефект: тъй като бяха обучавани върху транскрибирани текстове и студийни записи на диктори, техният глас звучеше изкуствено полиран, монотонен и лишен от естествени микроколебания. Dessa възпроизвежда истинската природа на човешкото общуване: поети въздишки преди отговор, промени в тембъра според емоцията на събеседника и ситуативни междуметия като „хм“ и „разбирам“.
Нативен пълен дуплекс и премахване на каскадните закъснения
Най-големият инженерен пробив в Dessa е преходът към чиста невронна архитектура за пълен дуплекс (Full-Duplex Audio). Традиционните гласови ботове използват бавна тристепенна каскада: преобразуване на глас в текст (STT), обработка на текста от езиков модел (LLM) и синтез на реч от текст (TTS). Тази верига генерира латентност от поне 700–1200 милисекунди, което прави разговора скован и неестествен.
Dessa премахва текстовия междинен слой, обработвайки директно аудио спектрограми в речев синтез (Speech Synthesis) от край до край (end-to-end audio-to-audio):
- Латентност под 160 милисекунди: Реакцията на модела е по-бърза от средната реакция на жив човек в телефонен разговор.
- Интелигентно прекъсване: Потребителят може да прекъсне модела по всяко време; моделът незабавно спира да говори, слуша новата реплика и се адаптира без загуба на контекст.
- Естествена ритмика на диалога: Системата поддържа естествен диалогов синтез, разпознавайки кога паузата на говорещия означава размисъл и кога означава край на изречението.
Дългосрочни последствия за гласовите услуги и търговията
С пускането на Dessa компанията Block планира да интегрира модела в своята екосистема от услуги – от автоматизирано обслужване на клиенти за малки търговци в Square до телефонна поддръжка за потребителите на Cash App. Това ще позволи на малкия бизнес да разполага с денонощен телефонен рецепционист, който звучи неразличимо от опитен човешки служител.
В дългосрочен план разпространението на end-to-end аудио модели ще промени из основи социалната комуникация. Премахването на роботизирания тон ще отключи масово доверие към гласовите интерфейси в здравеопазването (психологическа подкрепа, грижа за възрастни хора) и образованието. Същевременно обаче появата на толкова убедителни гласове ще изостри рисковете от телефонни измами и гласов фишинг, налагайки спешно въвеждане на задължителни криптографски водни знаци във всеки генериран аудио поток.
Четири технологични стълба на пълния дуплекс при end-to-end речевия синтез