Emberi nevetéssel és szünetekkel beszél a Block új hangmodellje
Jack Dorsey vállalata, a Block bemutatta a Dessa nevű hangmodellt, amely a készítői szerint természetesebb beszélgetést tesz lehetővé, mint a szövegen keresztül működő hangalapú rendszerek. A modell teljes egészében emberi beszéden tanult, és egyetlen NVIDIA GPU-val képezték. A Block állítása szerint fogyasztói hardveren, például egy M4 Max chippel szerelt MacBookon vagy annál erősebb számítógépen is helyben futtatható.
A Dessa full-duplex rendszer, vagyis egyszerre képes hallgatni és beszélni. A bemutatott beszélgetésekben nemcsak eltérő hangokat és beszédtempókat használt, hanem nevetést, sírást, fáradtságot és természetes szüneteket is érzékeltetett. Az egyik példában a modell munkától kimerültnek hangzott, egy másikban pedig érzelmes, szinte elcsukló hangon beszélt. A Block szerint az érzelmek nem külön beillesztett szöveges utasításokból származnak, hanem a modell működésének részét képezik, bár ennek pontos technikai háttere egyelőre nem világos.
A vállalat szerint a hagyományos hangmodellek gyakran azért hatnak természetellenesen, mert a beszéd létrehozása előtt szöveggé alakítják a felhasználó hangját, és ezzel fontos érzelmi információkat veszítenek el. A Dessa nyilvánosan még nem érhető el; a Block biztonsági kutatókat keres a teszteléséhez, különösen annak vizsgálatára, hogy egy ilyen meggyőző hangügynök miként tévesztheti meg a beszélgetőpartnereket.
Folytasd az appban — szavazz és szólj hozzá ➔