Jack Dorsey'nin Block şirketi, araştırma laboratuvarından yerel olarak çalışan ve kahkahalar, duraklamalar ve ağlamalar gibi ifadelerle tuhaf derecede insan gibi seslenen yeni bir ses modeli yayınladı. Şirket, Dessa adı verilen modelin tamamen insan konuşması üzerinde eğitildiğini ve tek bir NVIDIA GPU'da çalıştığını söyledi.
Dessa tam çift yönlü bir model. Yani aynı anda konuşup dinleyebiliyor; OpenAI'nin bu yıl başında yayınladığı GPT-Live modeli gibi. Genellikle konuşma modelleri bilgi erişimi için büyük bir dil modeliyle eşleştirilir. Block, Dessa'nın bilgisinin konuşma verilerinden geldiğini belirtti.
"Sesin, zeka ile etkileşimin en doğal yolu olduğuna inanıyoruz, bu yüzden Dessa'yı yarattık, şimdiye kadar yapılmış en özgün tam çift yönlü konuşma modeli. Onunla konuşmak bir insanla konuşmak gibi hissettiriyor… duygu, nüans, duraklamalar ve doğal bir ritimle dolu." https://t.co/r0qFLdvd6c
— jack (@jack) October 23, 2026
Block, mevcut modellerin konuşma üretimini yönlendiren metin hattı olduğu için yapay ve rahatsız edici seslenebildiğini söyledi. ElevenLabs v4 veya Fish Audio Drama 3 gibi birçok model duygu üretimini yönlendirmek için ses etiketleri kullanıyor. Dorsey'nin şirketi duygunun modele gömülü olduğunu iddia ediyor. Bu duygunun bir tür etiket tarafından yönlendirilip yönlendirilmediği net değil.
"Mevcut ses yapay zekasıyla etkileşim gerçekten berbat olabiliyor. Sesinizi metne çeviriyor ve metnin tek başına taşıyamayacağı inanılmaz miktarda bilgiyi çöpe atıyor. Dünyanın en güçlü yapay zekaları bile nasıl hissettiğinizi duyamıyor. Biz buna saçma buluyoruz, daha kötü bir deneyime yol açıyor ve potansiyel olarak tehlikeli." şirket blog yazısında belirtti.
Şirketin araştırmacıları, aracın farklı sesler, ritimler ve duygulara sahip olduğu konuşma örnekleri paylaştı. Örneğin bir konuşmada bot işten yorgun olduğunu söyledi ve o noktada yorgun seslendi.
"Tamamen konuşma üzerinde eğitilmiş gerçekçi bir sohbet yapabileceğiniz ilk yapay zeka modelini yaptık!"
Dessa, tüketici GPU'larında çalıştırabileceğiniz tam çift yönlü konuşma-ses modelidir.
"Bu, konuşma için bir GPT3 anı." pic.twitter.com/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) October 23, 2026
Aşağıdaki örnekte bot, kişiyi rahatlatırken duygusal bir şekilde konuşuyor ve neredeyse yıkılma noktasına geliyor.
Dessa=full-duplex speech model vs Human=me, https://t.co/1eI6QFHo1w pic.twitter.com/zlZfxH2BA5
— Aydin Polat (@AydinPolatDessa) October 23, 2026
Bir başka örnekte Block ekibinden bir üye ses asistanıyla oyun oynuyor.
"Oyunun aşkına."
"Cara'nın Dessa ile tahmin oyunu oynadığını izleyin. Model ilkini hemen doğru tahmin ediyor ve ikincisi de uzun sürmüyor." https://t.co/FDmoXNPpIh pic.twitter.com/I9f8saduEA
— Block (@blocks) October 23, 2026
Şirket, modelin MacBook M4 Max veya daha iyisi gibi tüketici sınıfı bir bilgisayarda yerel olarak çalışabildiğini söyledi. Ancak şu anda Dessa'ya kamuya açık erişim yok ve Block modelin test edilmesi için güvenlik araştırmacılarına çağrı yaptı. Bu, muhtemelen sesli bir aracın karşı taraftaki insanları kandırabileceği durumları test etmek içindir.
Block finans işiyle uğraşıyor ve çözümlerini küçük işletmelere satıyor. Square zaten siparişleri yönetmek için sesli yapay zeka kullanıyor. Ancak cihaz üzerinde çalışabilen kendi ses modeliyle çok daha fazla iş ve tüketici deneyimini daha düşük maliyetle destekleyebilir.
