Компания Block, известная по проектам Square и Cash App, анонсировала разработку Dessa — инновационной модели искусственного интеллекта для обработки речи. Как сообщает издание The Decoder, это первая система такого рода, обученная исключительно на аудиоданных без использования текстовых транскрипций.

В отличие от традиционных систем, которые сначала переводят голос в текст и только затем анализируют его, Dessa работает с аудиосигналом напрямую. Такой подход позволяет модели улавливать тончайшие нюансы человеческого общения: сарказм, смех, паузы и эмоциональные колебания, которые обычно теряются при текстовой обработке.

Техническая реализация проекта впечатляет своей компактностью. Модель поддерживает полнодуплексную связь, что позволяет ей слушать и говорить одновременно, имитируя естественный ритм беседы. При этом Dessa способна работать локально на MacBook Pro с чипом M4 Max, а процесс её обучения проходил на одной системе NVIDIA GB200 NVL72.

От эмоциональной имитации к реальному пониманию

Разработчики из Block объясняют создание модели не только любопытством, но и вопросами безопасности. Существующие голосовые помощники часто игнорируют эмоциональный контекст, что создает барьер в коммуникации между человеком и машиной. Dessa призвана сделать это взаимодействие более человечным и предсказуемым.

История попыток наделить ИИ «эмоциональным интеллектом» насчитывает уже несколько заметных этапов. В конце 2023 года стартовал проект Open Empathic от сообщества LAION, а весной 2024 года стартап Hume AI представил свой интерфейс EVI. Позже появились модель Moshi от Kyutai и обновленный продвинутый голосовой режим ChatGPT от OpenAI.

Отказ от текстовой прослойки в пользу чистого аудио — это элегантный инженерный ход, позволяющий захватить физику звука, а не только семантику. Однако остается открытым вопрос, насколько эффективно такая модель сможет удерживать контекст сложных рассуждений без опоры на проверенные текстовые графы. Пока это выглядит как впечатляющая демонстрация «чувствующего» интерфейса, который рискует остаться лишь дорогой игрушкой для локального запуска, если разработчики не докажут его превосходство в логических задачах. Блестящая имитация эмпатии всё еще не заменяет глубину мышления.

На текущий момент Dessa не доступна для широкой публики. Команда Block сфокусирована на этапе закрытого тестирования, привлекая специалистов по безопасности ИИ для поиска потенциальных рисков и непредвиденных сценариев поведения модели. Заинтересованные исследователи могут подать заявку через официальную форму на сайте компании.

Хотя реалистичность звучания и умение распознавать сарказм делают общение с ИИ приятнее, индустрия всё еще ищет баланс между формой и содержанием. Способность модели рассуждать в процессе ответа остается более критичным фактором для качества работы, чем просто естественные интонации и своевременные вздохи в трубку.