Компанията Block, ръководена от съоснователя на Twitter (сега X) Джак Дорси, представи нов модел с изкуствен интелект, наречен Dessa, който може да промени начина, по който машините общуват с хората. За разлика от повечето съвременни гласови асистенти, новата система е обучена изцяло върху записи на човешка реч, без да използва писмени текстове или предварително обучени езикови модели. Резултатът е ИИ, който може да слуша и да говори едновременно, да реагира на прекъсвания, да се смее в хода на разговор и да улавя нюанси в човешкия глас. В публикуваните демонстрации Dessa звучи достатъчно естествено, за да създаде усещането за разговор с реален човек — макар че понякога поведението ѝ е странно и непредсказуемо.

Повечето съвременни гласови асистенти работят по сравнително сложна, но добре позната схема: първо превръщат казаното от потребителя в текст, след това обработват текста с езиков модел и накрая преобразуват отговора обратно в реч.

Dessa използва различен подход. Според Block моделът е обучен от нулата единствено върху записи на човешки разговори. Той не разчита на писмени корпуси или на предварително обучен голям езиков модел (LLM), за да се научи да води диалог. Това е съществена разлика. Когато обикновената реч се преобразува в текст, част от информацията може да се изгуби — например интонацията, колебанието, смехът, сарказмът и емоционалният оттенък на гласа. Dessa има за цел да обработва тези сигнали директно, вместо първо да ги свежда до поредица от думи.

Екипът на Block описва проекта като опит да се установи дали изкуственият интелект може да усвои езика по начин, наподобяващ човешкото учене чрез слушане, а не чрез четене. Компанията твърди, че това е новаторски подход, но независимите технически доказателства за неговото предимство все още са ограничени.

Една от най-интересните характеристики на Dessa е, че системата поддържа т.нар. full-duplex комуникация. Това означава, че може да слуша и да говори едновременно.

При много традиционни гласови асистенти потребителят трябва да завърши изречението си, след което системата обработва заявката и генерира отговор. При Dessa взаимодействието е по-близко до човешкия разговор: моделът може да реагира, докато събеседникът още говори, да вмъква кратки потвърждения и да се включва в диалога без ясно изразени паузи между репликите. В демонстрациите, публикувани от компанията, моделът показва няколко любопитни способности:

Смее се в средата на изречение, когато контекстът го предполага.

Променя силата на гласа си, когато го помолят да говори по-високо.

Помага на събеседника да довърши изречение, когато той не може да си спомни заглавието на филм.

Реагира на интонация и емоционални нюанси, вместо да се фокусира единствено върху буквалното съдържание на думите.

Именно тези детайли правят разговора по-естествен. Системата не просто произнася правилно подредени изречения, а се опитва да възпроизведе ритъма и динамиката на истинското общуване. Сред публикуваните примери има дори и разговор между Dessa и гласовия модел GPT-Live-1 на OpenAI.

Снимка: Unsplash

Виж още: Четири ИИ агента на Google DeepMind победиха Minecraft за 27 часа, като написаха сами 2783 програми