Dessa: Η Block παρουσιάζει μια AI που μαθαίνει να συνομιλεί μόνο από ανθρώπινη ομιλία
Ένα γέλιο στη μέση μιας πρότασης, μια μικρή παύση, μια φωνή που μοιάζει να συγκινείται. Αυτά προβάλλει η Block στα δείγματα του Dessa, του νέου ερευνητικού μοντέλου ομιλίας της. Σύμφωνα με την εταιρεία, οι συνομιλίες καταγράφηκαν ζωντανά και οι απαντήσεις δεν καθοδηγούνται από κάποιον άνθρωπο στο παρασκήνιο. Παρουσίαση του Dessa.
Η τεχνική πρόταση είναι εξίσου ενδιαφέρουσα με την εκφραστικότητα: η Block υποστηρίζει ότι εκπαίδευσε το μοντέλο από την αρχή, αποκλειστικά σε ανθρώπινη ομιλία, χωρίς κείμενο και χωρίς προϋπάρχον εκπαιδευμένο μοντέλο. Το Dessa δέχεται και παράγει ήχο, ενώ μπορεί να ακούει και να μιλά ταυτόχρονα.
Η παρουσίαση έρχεται σε μια αγορά όπου η φωνή διεκδικεί μεγαλύτερο ρόλο στην επικοινωνία με την AI. Όμως άλλο πράγμα είναι μια πειστική συνομιλία σε επιλεγμένο δείγμα και άλλο ένας βοηθός που λειτουργεί αξιόπιστα σε χιλιάδες διαφορετικές πραγματικές συνθήκες.
Τι προσθέτει η φωνή πέρα από τις λέξεις
Σκεφτείτε τη φράση «πολύ ωραία». Μπορεί να εκφράζει ενθουσιασμό, παραίτηση ή ειρωνεία. Οι λέξεις παραμένουν ίδιες· ο τόνος αλλάζει το νόημα.
Η διαφορά αυτή αποτελεί γνωστό τεχνικό πρόβλημα στα συστήματα φωνητικού διαλόγου. Η ερευνητική εργασία για το Moshi της Kyutai περιγράφει πώς μια αλυσίδα ξεχωριστών σταδίων —αναγνώριση ομιλίας, επεξεργασία κειμένου και σύνθεση φωνής— μπορεί να εισάγει καθυστέρηση και να χάνει μη λεκτικές πληροφορίες. Επισημαίνει επίσης τη δυσκολία διαχείρισης διακοπών και επικαλυπτόμενης ομιλίας. Τεχνική εργασία Moshi, διαθέσιμη ως προδημοσίευση στο arXiv.
Η λειτουργία full-duplex επιχειρεί να αντιμετωπίσει ακριβώς αυτή την ακαμψία. Το σύστημα δεν χρειάζεται να περιμένει πάντα να ολοκληρώσει ο ένας συνομιλητής για να αρχίσει ο άλλος.
Η δυνατότητα αυτή δεν εμφανίζεται πρώτη φορά με το Dessa. Το Moshi είχε ήδη παρουσιαστεί ως full-duplex σύστημα το 2024, χρησιμοποιώντας όμως και γλωσσικό μοντέλο κειμένου. Επομένως, η ιδιαίτερη αξίωση της Block αφορά κυρίως την εκπαίδευση αποκλειστικά από ομιλία, όχι την εφεύρεση της ταυτόχρονης ακρόασης και παραγωγής φωνής.
Τι γνωρίζουμε για το Dessa
Η Block αναφέρει ότι το μοντέλο μπορεί να λειτουργεί τοπικά σε MacBook Pro με M4 Max ή ισχυρότερο σύστημα. Για την εκπαίδευσή του δηλώνει ότι χρησιμοποίησε ένα NVIDIA GB200 NVL72. Παράλληλα, προσκαλεί μια μικρή ομάδα ερευνητών ασφάλειας να αποκτήσει πρώιμη πρόσβαση. Επίσημη σελίδα Dessa.
Σύμφωνα με το ρεπορτάζ του CoinDesk στις 24 Οκτωβρίου, δεν είχαν δημοσιοποιηθεί το μέγεθος του μοντέλου, συγκριτικές μετρήσεις επιδόσεων ή ημερομηνία διάθεσης. Το Dessa παρέμενε ερευνητική παρουσίαση, όχι προϊόν διαθέσιμο στο ευρύ κοινό. CoinDesk: παρουσίαση και εκκρεμότητες του Dessa.
Αυτές οι ελλείψεις περιορίζουν όσα μπορούμε να συμπεράνουμε. Δεν υπάρχει ακόμη επαρκής δημόσια βάση για να καταταχθεί ως καλύτερο από ανταγωνιστικές λύσεις ή για να εκτιμηθεί η συμπεριφορά του σε μεγάλες, απρόβλεπτες συνομιλίες.
Για το ελληνικό κοινό υπάρχει και ένα άμεσο ερώτημα: πόσο καλά λειτουργεί στα ελληνικά; Στο υλικό που εξετάστηκε δεν εντοπίστηκε τεκμηριωμένη αξιολόγηση ελληνικής ομιλίας. Η φυσικότητα σε ένα αγγλόφωνο δείγμα δεν απαντά σε αυτό.
Ένα rack εκπαίδευσης δεν είναι ένας προσωπικός υπολογιστής
Η αναφορά σε «ένα» σύστημα εκπαίδευσης χρειάζεται κλίμακα. Το GB200 NVL72, σύμφωνα με τη NVIDIA, είναι υδρόψυκτη υποδομή επιπέδου rack με 72 GPU. Δεν πρόκειται για μια μοναδική κάρτα γραφικών ή έναν συνηθισμένο σταθμό εργασίας. Προδιαγραφές NVIDIA GB200 NVL72.
Επίσης, η εκπαίδευση και η καθημερινή εκτέλεση ενός μοντέλου είναι διαφορετικές διαδικασίες. Η πρώτη δημιουργεί τις παραμέτρους του μέσα από επεξεργασία δεδομένων. Η δεύτερη χρησιμοποιεί το ήδη εκπαιδευμένο αποτέλεσμα για να απαντήσει σε νέα ερεθίσματα.
Έτσι, ο ισχυρισμός ότι ένα μοντέλο εκτελείται σε φορητό υπολογιστή μπορεί να συνυπάρχει με πολύ απαιτητική υποδομή εκπαίδευσης. Χωρίς στοιχεία για διάρκεια, κατανάλωση και συνολικό υπολογιστικό έργο, δεν προκύπτει ασφαλές συμπέρασμα για το κόστος ανάπτυξής του.
Η τοπική λειτουργία παραμένει ενδιαφέρουσα δυνατότητα. Θα μπορούσε να περιορίσει την ανάγκη μεταφοράς ήχου σε απομακρυσμένους διακομιστές. Δεν αποτελεί, ωστόσο, από μόνη της εγγύηση ιδιωτικότητας: αυτή εξαρτάται και από την εφαρμογή, την αποθήκευση δεδομένων και τις υπηρεσίες με τις οποίες συνδέεται.
Γιατί ενδιαφέρει μια εταιρεία πληρωμών
Η σύνδεση με τη δραστηριότητα της Block είναι πρακτική. Η Square διαθέτει ήδη υπηρεσία φωνητικών παραγγελιών με AI, η οποία μπορεί να απαντά σε κλήσεις, να καταγράφει παραγγελίες και να τις προωθεί στα συστήματα διαχείρισης της επιχείρησης. Η επίσημη τεκμηρίωση προβλέπει επίσης περιλήψεις συνομιλιών και ενημέρωση όταν ο πελάτης χρειάζεται επιπλέον βοήθεια. Square: φωνητικές παραγγελίες με AI.
Αυτό εξηγεί το εμπορικό ενδιαφέρον για καλύτερες φωνητικές διεπαφές. Δεν αποδεικνύει ότι το Dessa χρησιμοποιείται ήδη στη συγκεκριμένη υπηρεσία.
Για ένα κατάστημα, η ποιότητα μιας τέτοιας εφαρμογής κρίνεται σε καθημερινές λεπτομέρειες: αν καταλαβαίνει μια διόρθωση, αν επιβεβαιώνει σωστά μια ποσότητα και αν αναγνωρίζει πότε χρειάζεται άνθρωπος.
Μια ευχάριστη φωνή μπορεί να διευκολύνει την επικοινωνία. Η σωστή παραγγελία, όμως, παραμένει σημαντικότερη από το πόσο φυσικά γελά ο βοηθός.
Η εκφραστικότητα δεν είναι μέτρηση κατανόησης
Τα δείγματα μιας παρουσίασης μπορούν να δείξουν ότι μια συμπεριφορά είναι εφικτή. Δεν αποκαλύπτουν απαραίτητα πόσο συχνά επιτυγχάνεται ή υπό ποιες συνθήκες αποτυγχάνει.
Για μια ουσιαστική αξιολόγηση του Dessa θα χρειαζόταν να εξεταστούν, μεταξύ άλλων, διαφορετικές προφορές, θόρυβος, αλληλοδιακοπές, μεγάλες συνομιλίες και διφορούμενες οδηγίες. Εξίσου σημαντική είναι η ορθότητα των απαντήσεων, ανεξάρτητα από την ποιότητα της εκφοράς τους.
Υπάρχει και μια ανθρώπινη παγίδα. Ένας ζεστός ή συγκινημένος τόνος μπορεί να κάνει μια απάντηση πιο πειστική, χωρίς να την κάνει ακριβέστερη. Το ότι ένα σύστημα παράγει τον ήχο της στενοχώριας δεν αποτελεί απόδειξη ότι βιώνει στενοχώρια.
Η αξιολόγηση πρέπει επομένως να ξεχωρίζει τη φυσικότητα, την κατανόηση του αιτήματος και την αξιοπιστία της πληροφορίας. Είναι διαφορετικά χαρακτηριστικά, ακόμη κι όταν ο ακροατής τα αντιλαμβάνεται ως ενιαία εμπειρία.
Η εμπιστοσύνη δεν μπορεί να στηρίζεται μόνο στον ήχο
Ο κίνδυνος παραπλάνησης μέσω συνθετικής φωνής προϋπάρχει του Dessa. Η αμερικανική FTC προειδοποιεί ότι εργαλεία κλωνοποίησης φωνής μπορούν να χρησιμοποιηθούν σε απάτες με υποτιθέμενες οικογενειακές έκτακτες ανάγκες. Συνιστά επαλήθευση μέσω γνωστού αριθμού επικοινωνίας, αντί εμπιστοσύνης μόνο στη φωνή. FTC: απάτες με ψεύτικες έκτακτες ανάγκες.
Αυτό δεν σημαίνει ότι έχει αποδειχθεί πως το Dessa κλωνοποιεί συγκεκριμένα πρόσωπα ή ότι έχει χρησιμοποιηθεί σε απάτες. Η φυσική παραγωγή ομιλίας και η μίμηση αναγνωρίσιμης ταυτότητας είναι διαφορετικές δυνατότητες.
Η ευρύτερη πρόκληση παραμένει: όσο πιο ανθρώπινη γίνεται η συνομιλία, τόσο σημαντικότερο είναι να γνωρίζει ο χρήστης με τι αλληλεπιδρά. Μια καλή φωνητική διεπαφή πρέπει να κάνει την επικοινωνία ευκολότερη, διατηρώντας σαφή την ταυτότητα και τα όρια του συστήματος.
Το Dessa θέτει ένα ενδιαφέρον ερευνητικό στοίχημα για τη μάθηση από τον ήχο. Το επόμενο ουσιαστικό βήμα θα είναι να φανεί αν η ποιότητα των δειγμάτων αντέχει σε ανεξάρτητες δοκιμές και πραγματικές εργασίες. Εκεί θα κριθεί αν η εντυπωσιακή φωνή συνοδεύεται από έναν χρήσιμο και αξιόπιστο βοηθό.
Πηγές
- TechCrunch — Block’s new voice model sounds eerily human
- Block — Dessa: The Conversation Model trained only on speech
- CoinDesk — Block’s new voice AI sounds eerily human, sparking awe and scam fears
- Kyutai / arXiv — Moshi: a speech-text foundation model for real-time dialogue
- NVIDIA — GB200 NVL72
- Square — Take orders with AI powered voice ordering
- FTC — Scammers Use Fake Emergencies To Steal Your Money
