Block səsi insan kimi səslənən yeni səs modeli təqdim edib

Jack Dorseyin Block şirkəti tədqiqat laboratoriyasından lokal işləyən və gülüş, fasilə, ağlama kimi insan ifadələri ilə qəribə dərəcədə insan səsi verən yeni səs modeli təqdim edib. Şirkət bildirib ki, Dessa adlanan model tamamilə insan nitqi əsasında və bir NVIDIA GPU ilə öyrədilib.

Dessa tam-dupleks modeldir, yəni OpenAI-nin bu il təqdim etdiyi GPT-Live modeli kimi eyni anda danışa və dinləyə bilir. Adətən, nitq modelləri böyük dil modeli ilə məlumat axtarışı üçün birləşdirilir. Block deyir ki, Dessa-nın biliyi söhbət məlumatlarından doğur.

"Biz hesab edirik ki, səs intellektlə ən təbii qarşılıqlı əlaqə üsuludur, ona görə də tam-dupleks nitq modelinin ən orijinalını – Dessa-nı yaratdıq. Onunla danışmaq sanki insanla danışmaq kimidir... duyğu, incəlik, fasilələr və təbii ritm doludur," – Jack bildirib.

Block qeyd edib ki, indiki modellər mətni nitqə çevirdiyi üçün səs süni və xoş olmayan olur. ElevenLabs v4 və Fish Audio Drama 3 kimi modellər nitqdə duyğunu səsləndirmə etiketi ilə idarə edir. Dorseyin şirkəti deyir ki, duyğu modelə daxil edilib. Bu duyğunun etikətlə idarə olunub-olunmadığı aydın deyil.

"Cari səs süni intellekti ilə qarşılıqlı əlaqə çox pis ola bilər. O, səsinizi mətnə çevirir və mətnin daşıya bilmədiyi çoxlu məlumatı itirir. Dünyanın ən güclü süni intellektləri sizin necə hiss etdiyinizi eşidə bilmir. Bu, absurddur, təcrübənin pisləşməsinə səbəb olur və gələcəkdə təhlükəli ola bilər," – şirkət bloqunda yazıb.

Şirkətin tədqiqatçıları Dessa ilə müxtəlif səslər, ritmlər və duyğularla rəftar edən agentin bir neçə söhbət nümunəsini paylaşıb. Məsələn, söhbətdə bot işdən yorulduğunu söyləyib və həmin vaxt yorğun səslənib.

"Biz nitq üzrə tamamilə öyrədilmiş, real söhbət edə biləcəyiniz ilk süni intellekt modelini yaratdıq! Dessa tam-dupleks nitqdən-nitqə modeldir və onu adi istifadəçi GPU-larında işə sala bilərsiniz. Bu, nitq sahəsində GPT3 anı kimidir," – Ragavan Thurairatnam deyib.

Aşağıdakı nümunədə bot insanı rahat hiss etdirərkən emosional danışır və demək olar ki, üzülür.

"Dessa=tam-dupleks nitq modeli vs İnsan=mən," – Aydin Polat paylaşıb.

Başqa nümunədə Block komandası üzvü səslə idarə olunan köməkçi ilə oyun oynayır.

"Oyun üçün sevgi. Cara ilə Dessa arasında təxmin oyununu izləyin. Model ilk təxminini dərhal doğru tapdı, ikinci də çox uzun çəkmədi," – Block bildirib.

Şirkət deyir ki, model MacBook M4 Max və ya daha güclü istehlakçı səviyyəli kompüterdə lokal işləyə bilir. Hazırda Dessa-ya ictimai giriş yoxdur. Block təhlükəsizlik tədqiqatçılarını modeli sınaqdan keçirməyə çağırıb. Bu, səs agentinin qarşı tərəfi aldatma hallarını yoxlamaq üçündür.

Block maliyyə sahəsində fəaliyyət göstərir və kiçik müəssisələrə həllər satır. Square artıq sifarişin idarəsi üçün səs süni intellektindən istifadə edir. Amma lokal işləyən öz səs modeliylə şirkət daha çox biznes və istifadəçi təcrübəsini daha aşağı qiymətə təmin edə bilər.