بلاک مدل گفتاری را منتشر کرد که روی یک جی‌پی‌یو معمولی اجرا می‌شود و احساسات انسانی را با وقفه‌ها و خنده تقلید می‌کند. این مدل، دسا، نخستین سیستم گفتار است که کاملاً روی مکالمات واقعی آموزش دیده و بدون خط لوله متنی کار می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های گفتاری اشاره کردیم، اکثر سیستم‌های صوتی هنوز از متن به عنوان واسطه استفاده می‌کنند. دسا این قاعده را می‌شکند: به این ویژگی «کامل‌دوگانه» (full-duplex) می‌گویند — مثل یک مکالمه واقعی که هر دو طرف هم‌زمان می‌گویند و می‌شنوند. جک دورسی، بنیان‌گذار بلاک، در ۲۳ اکتبر ۲۰۲۶ در X اعلام کرد: «ما معتقدیم صدا طبیعی‌ترین راه تعامل با هوش مصنوعی است، بنابراین دسا را ساختیم، واقعی‌ترین مدل گفتار کامل‌دوگانه تا به حال. گفتگو با آن حس می‌دهد مثل گفتگو با یک انسان… پر از احساس، نوانس، مکث، و کادانس طبیعی.»
زمینه:
پست وبلاگ بلاک مدل‌های صوتی فعلی را منتقد کرد: «تعامل با هوش مصنوعی صوتی فعلی می‌تواند بد باشد. این سیستم‌ها صدای شما را به متن تبدیل می‌کنند و مقدار شگفت‌انگیزی از اطلاعاتی که متن به تنهایی نمی‌تواند حمل کند، دور می‌ریزند. قدرتمندترین هوش‌های مصنوعی جهان نمی‌توانند بفهمند شما چگونه حس می‌کنید. ما فکر می‌کنیم این مسأله مضحک است، تجربه بدتری را به وجود می‌آورد، و بالقوه خطرناک است.»
رگاوان تورایراتنام، محقق بلاک، این مدل را «لحظه GPT-3 برای گفتار» خواند و تأکید کرد که دسا روی جی‌پی‌یوهای مصرفی اجرا می‌شود. این رویکرد به همان موضوعی که در تحلیل قبلی درباره مدل دسا بررسی شد اشاره می‌شود، پیوند می‌خورد.
جزئیات فنی و قابلیت‌ها:
- رویکرد آموزش: دسا کاملاً روی گفتار انسانی آموزش دیده، بدون خط لوله متنی — مثل مترجمی که اول صدا را به متن تبدیل می‌کند، بعد پردازش می‌کند، دوباره به صدا — که اطلاعات احساسی را از دست می‌دهد — با استفاده از یک جی‌پی‌یو انویدیا.
- تولید احساس: احساس در مدل گنجانده شده، نه با برچسب‌های صدا مانند ElevenLabs v4 یا Fish Audio Drama 3.
- قابلیت کامل‌دوگانه: هم‌زمان می‌گوید و می‌شنود، جریان طبیعی مکالمه را امکان‌پذیر می‌کند، مشابه مدل GPT-Live اوپن‌ای‌آی.
- منبع دانش: فقط داده‌های مکالمه‌ای، نه جفتی با مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای بازیابی.
- نیازهای سخت‌افزاری: به‌صورت محلی روی مک‌بوک M4 ماکس یا بهتر اجرا می‌شود — سخت‌افزاری که در دسترس کاربران معمولی است.
- نمونه‌های دمو:
- ربات خستگی را هنگام بحث درباره‌ی خستگی کار بیان می‌کند.
- ربات لحن احساسی، gần به فروپاشی، هنگام توصیف آسایش دارد.
- عضو تیم بلاک بازی‌ای با دستیار صوتی بازی می‌کند.
- چندین صدا، کادانس و طیف احساسی نمایش داده شده.
- برنامه ایمنی: دسترسی عمومی وجود ندارد؛ لیست انتظار برای محققان ایمنی هوش مصنوعی باز است تا سناریوهای فریب را تست کنند. محققان بلاک به طور خاص نگرانند که عامل‌های صوتی کاربران را فریب دهند. آن‌ها می‌خواهند متخصصان ایمنی دسا را برای سناریوهای فریب‌داری بررسی کنند قبل از انتشار گسترده‌تر.
- بستر کسب‌وکار: اسکِوِیر (Square) از قبل از هوش مصنوعی صوتی برای مدیریت سفارش استفاده می‌کند؛ مدل روی دستگاه می‌تواند هزینه‌ها را برای تجربیات بیشتر کاهش دهد.
- نویسنده: ایوان پوشش‌دهنده تکنولوژی مصرفی جهانی در تک‌کرانچ، مقیم هند، پیشین هافینگتون پست و ذا نِکست وب. تماس: [email protected] یا ivan.42 روی سیگنال.
دسا نمایانگر تغییر به سمت واسط‌های صوتی طبیعی‌تر و هوشمندتر از نظر احساسی است. اجرای محلی آن همچنین سوالاتی درباره حریم خصوصی و کنترل داده‌ها پیش می‌آورد. توانایی مدل در انتقال نوانس بدون واسطه‌های متنی می‌تواند نحوه تعامل کاربران با دستیارهای هوش مصنوعی را بازتعریف کند.
تحلیل برای شما: اگر شما توسعه‌دهنده یا صاحب کسب‌وکار هستید، دسا نشان می‌دهد که مدل‌های گفتاری می‌توانند بدون نیاز به سرورهای گران، روی لپ‌تاپ اجرا شوند و حس طبیعی بدهند. این یعنی دستیارهای صوتی آینده می‌توانند در جیب شما باشند، حریم خصوصی حفظ شود و هزینه استنتاج (inference) — کرایهٔ آشپزخانهٔ صنعتی که هرچه دستور پخت سنگین‌تر، کرایه‌ی هر وعده هم بیشتر — به شدت کاهش یابد. اما ریسک فریب‌دهی صوتی واقعی است — بلاک به درستی محققان ایمنی را قبل از انتشار عمومی دعوت کرده است. این نگرانی در ارتباط با خطر ابزارهای جعل صوتی ارزان قیمت به نظر می‌رسد.
گام بعدی شما:
- اگر محقق ایمنی هستید، در لیست انتظار بلاک ثبت‌نام کنید تا دسا را برای سناریوهای فریب تست کنید.
- توسعه‌دهندگان اپلیکیشن‌های صوتی: معماری کامل‌دوگانه دسا را برای تجربه کاربری طبیعی‌تر بررسی کنید.
- کسب‌وکارهایی که از اسکِوِیر استفاده می‌کنند: به‌روزرسانی‌های مدل روی دستگاه را برای کاهش هزینه رصد کنید.
با اینکه صدا به عنوان واسطه اصلی برای هوش مصنوعی در حال تبدیل شدن است، مدل‌هایی مثل دسا ممکن است استانداردهای جدیدی برای واقع‌گرایی و پاسخگویی تعیین کنند. در مرحله بعد، باید ببینیم محققان ایمنی چگونه پتانسیل سوءاستفاده از دسا را ارزیابی می‌کنند، و آیا بلاک پس از فاز تست، دسترسی عمومی را باز می‌کند. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های بلک‌ول مراجعه کنید. این تحول در صدا به همان چالش‌هایی که در مورد کیفیت لحن در مدل‌های صوتی سازمانی مطرح شد، مربوط می‌شود.
گفتگو