بلوکِ جک دورسی از هوش مصنوعی صوتی Dessa رونمایی کرد؛ قابلیت‌ها، نحوه کار، زمان عرضه و هزینه
شرکت بلوک متعلق به جک دورسی، مدل هوش مصنوعی صوتی جدیدی به نام Dessa معرفی کرده است که می‌تواند هم‌زمان به صحبت‌های کاربر گوش دهد و پاسخ بدهد. در این گزارش، قابلیت‌های این فناوری، تفاوت آن با حالت صوتی ChatGPT و اطلاعات موجود درباره دسترسی عمومی، عرضه در هند و هزینه استفاده از آن را بررسی می‌کنیم.
شرکت بلوک (Block)، مالک سرویس‌هایی مانند اسکوئر (Square) و کش‌اپ (Cash App)، از مدل جدید هوش مصنوعی خود با نام Dessa رونمایی کرده است. این مدل می‌تواند هم‌زمان صحبت کند و به حرف‌های طرف مقابل گوش دهد؛ قابلیتی که گفت‌وگو با آن را به مکالمه معمول میان دو انسان نزدیک می‌کند. Dessa که در ۲۳ اکتبر معرفی شد، یک فناوری آزمایشی صوتی است و می‌تواند وقفه‌های میان صحبت‌ها را مدیریت کند، به احساسات واکنش نشان دهد و حتی هنگام گفت‌وگو بخندد.
این مدل را تیم کوچکی از پژوهشگران هوش مصنوعی در شرکت بلوک توسعه داده است؛ تیمی که مستقیماً به جک دورسی گزارش می‌دهد. به گفته شرکت، Dessa برای یادگیری شیوه ارتباط برقرار کردن، تنها از ضبط مکالمه‌های انسانی استفاده کرده و آموزش آن به متن نوشتاری یا یک مدل زبانی هوش مصنوعی موجود متکی نبوده است. بلوک چند نمونه نمایشی از این فناوری منتشر کرده، اما Dessa هنوز برای استفاده عمومی در دسترس نیست.
«ما معتقدیم صدا طبیعی‌ترین راه تعامل با هوش است؛ به همین دلیل Dessa را ساختیم، اصیل‌ترین مدل گفتار تمام‌دوطرفه‌ای که تاکنون توسعه یافته است. صحبت کردن با آن مانند گفت‌وگو با یک انسان است؛ گفت‌وگویی سرشار از احساس، ظرافت، مکث و آهنگی طبیعی.»
جک دورسی، ۲۳ اکتبر ۲۰۲۶، در شبکه ایکس
هوش مصنوعی Dessa چیست و چه تفاوتی با دیگر مدل‌ها دارد؟
بیشتر دستیارهای صوتی هوش مصنوعی مکالمه را در چند مرحله پردازش می‌کنند: ابتدا به پرسش کاربر گوش می‌دهند، سپس گفتار را به متن تبدیل می‌کنند، پاسخ را می‌سازند و در نهایت آن را به صدا تبدیل می‌کنند. Dessa از رویکرد متفاوتی استفاده می‌کند. این مدل به فناوری‌ای موسوم به گفتار تمام‌دوطرفه (Full-duplex speech) متکی است؛ به این معنا که می‌تواند هم‌زمان به صحبت‌های کاربر گوش دهد و پاسخ صوتی ارائه کند.
برای مثال، تصور کنید از یک دستیار هوش مصنوعی مسیر رسیدن به مقصدی را می‌پرسید و در میانه پاسخ، صحبتش را قطع می‌کنید تا درباره وضعیت ترافیک سؤال کنید. Dessa برای مدیریت طبیعی چنین وقفه‌ای طراحی شده است و لازم نیست مکالمه از ابتدا شروع شود.
به گفته بلوک، این مدل می‌تواند خنده، تغییرات لحن، طعنه و دیگر نشانه‌های عاطفی را تشخیص دهد. همچنین قادر است هنگام گوش دادن، واکنش‌های کوتاهی مانند «هوم» یا «آره» نشان دهد؛ درست شبیه واکنش‌هایی که انسان‌ها در گفت‌وگوهای روزمره برای اعلام توجه خود به کار می‌برند.
نکته قابل توجه این است که Dessa با استفاده از یک سامانه واحد NVIDIA GB200 NVL72 آموزش داده شده است. بلوک ادعا می‌کند مدل حاصل به‌اندازه‌ای کوچک است که می‌تواند به‌صورت محلی روی مک‌بوک پرو مجهز به تراشه M4 Max یا سخت‌افزار قوی‌تر اجرا شود.
«ما معتقدیم صدا طبیعی‌ترین راه تعامل با هوش است؛ به همین دلیل Dessa را ساختیم، اصیل‌ترین مدل گفتار تمام‌دوطرفه‌ای که تاکنون توسعه یافته است. صحبت کردن با آن مانند گفت‌وگو با یک انسان است؛ گفت‌وگویی سرشار از احساس، ظرافت، مکث و آهنگی طبیعی.»
جک دورسی، ۲۳ اکتبر ۲۰۲۶، در شبکه ایکس
آیا می‌توان از Dessa در هند استفاده کرد؟ زمان عرضه و هزینه
تا ۲۶ اکتبر ۲۰۲۶، Dessa همچنان در مرحله پیش‌نمایش پژوهشی قرار دارد. شرکت بلوک هنوز زمان عرضه عمومی این فناوری یا تاریخ مشخصی برای عرضه آن در هند اعلام نکرده است.
علاقه‌مندان می‌توانند برای شنیدن نمونه‌های ضبط‌شده از عملکرد این مدل به وب‌سایت رسمی Dessa مراجعه کنند.
در وب‌سایت این پروژه، گزینه‌هایی برای دانلود و ثبت‌نام در فهرست انتظار دیده می‌شود، اما دسترسی عمومی هنوز فعال نشده است. در حال حاضر، بلوک از گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی دعوت کرده تا این سامانه را آزمایش کنند.
این شرکت هنوز اطلاعاتی درباره هزینه اشتراک، تعرفه استفاده از رابط برنامه‌نویسی کاربردی (API) یا احتمال رایگان و متن‌باز شدن Dessa منتشر نکرده است.
آیا Dessa از حالت صوتی ChatGPT بهتر است؟
مهم‌ترین ویژگی Dessa، روش آموزش آن صرفاً با داده‌های صوتی و توانایی برقراری مکالمه هم‌زمان و دوطرفه است.
با این حال، شرکت OpenAI و دیگر توسعه‌دهندگان پیش‌تر مدل‌های صوتی مکالمه‌محوری عرضه کرده‌اند که می‌توانند وقفه‌های میان صحبت‌ها را مدیریت کنند. Dessa رویکرد دیگری برای ساخت چنین سامانه‌هایی ارائه می‌دهد و بر یادگیری مستقیم از گفتار انسان تمرکز دارد.
این فناوری هنوز محدودیت‌هایی دارد. بلوک نتایج ارزیابی‌های مستقل یا آمار دقیق عملکرد مدل را منتشر نکرده است. نمونه‌های نمایشی موجود نیز از میان ضبط‌هایی انتخاب شده‌اند که خود شرکت ارائه کرده است.
مسائل ایمنی نیز مطرح هستند. صداهای هوش مصنوعی که شباهت زیادی به صدای انسان دارند، ممکن است شناسایی کلاهبرداری‌های مبتنی بر جعل هویت را دشوارتر کنند. بلوک می‌گوید آزمایش‌های اولیه بر شناسایی چنین خطرهایی متمرکز خواهند بود تا پیش از عرضه گسترده‌تر، این ریسک‌ها بررسی شوند.