A Block kutatólaborja olyan beszélgető modellt mutatott be, amelyet a cég állítása szerint kizárólag emberi beszédből tanítottak: nem kapott szöveget és nem épült előre betanított nyelvi modellre. A Dessa közvetlenül hangot fogad és hangot ad ki, ráadásul teljes duplex módban, vagyis beszéd közben is figyelhet a másik félre.
Ez több egyszerű hangszintézisnél. A rendszernek elvileg magából a hangfolyamból kellett megtanulnia a szavak mellett a hangsúlyt, a szüneteket, a közbevágás időzítését és az olyan visszajelzéseket is, mint egy rövid „aha”. A Block szerint a valós idejűnél gyorsabban fut, és egy M4 Max chipes MacBook Prón helyben is használható. A tréninghez egy NVIDIA GB200 NVL72 rendszert használtak.
A látványos példák azonban a fejlesztő saját demói, nem független tesztek. A Block nem közölt paraméterszámot, részletes értékelést, tanítóadat-leírást vagy összehasonlítható késleltetési mérőszámot. Azt sem bizonyította külső vizsgálat, hogy az érzelmekre adott reakciók valóban jobb megértést jelentenek, és nem csupán meggyőző hangalakítást.
A Dessa ezért még nem letölthető termék. A nyilvános oldalon a kiadási hivatkozások csak készülőben vannak, a vállalat pedig először egy kisebb biztonsági kutatói körnek ad korai hozzáférést. A bejelentés így elsősorban kutatási irányt mutat: a hangmodell képes lehet megőrizni azt az információt, amely a beszédfelismerés–szöveg–beszéd láncban elveszik.
Források: Block, TechCrunch