Block představuje Dessa, plně duplexní řečový model trénovaný na konverzacích

Interní výzkumná laboratoř společnosti Block zaměřená na AI oznámila 23. října 2026 model Dessa, plně duplexní model převádějící řeč na řeč, který byl podle společnosti trénován od základu výhradně na lidských konverzacích. Zveřejnila také záznamy živých ukázek, veřejný pořadník a přednostní přístup pro malou skupinu výzkumníků v oblasti bezpečnosti AI.

Oznámení doprovodila stránka modelu Dessa společnosti Block a příspěvek na X od Ragavana Thurairatnama, vedoucího laboratoře. Thurairatnam popsal Dessa jako první model AI, který dokáže vést realistickou konverzaci poté, co byl trénován výhradně na řeči. Uvedl, že model může běžet na spotřebitelských GPU, a toto vydání označil za „moment GPT3 pro řeč“. Block na své stránce píše, že pokud je společnosti známo, Dessa je první AI na světě, která dokáže vést realistickou konverzaci v reálném čase poté, co byla trénována pouze na lidské řeči.

Block popisuje Dessa jako skutečný model převádějící řeč na řeč: na vstupu zvuk, na výstupu zvuk. Model je plně duplexní, takže současně poslouchá i mluví, a podle společnosti se na skutečných konverzacích naučil, kdy vstoupit do řeči a kdy přitakat, aby dal najevo, že druhého vnímá. Block uvádí, že model přirozeně rozpoznává i vyjadřuje emoce, sarkasmus, smích, frustrované povzdechnutí i hlas lámající se smutkem; jeho odvozování probíhá rychleji než v reálném čase, takže odpovídá bez nepříjemné prodlevy; a Dessa běží lokálně na MacBooku Pro M4 Max nebo výkonnějším zařízení. Společnost jej označuje za nejautentičtější plně duplexní řečový model, jaký byl kdy vytvořen, a tvrdí, že rozhovor s ním působí jako rozhovor s člověkem.

Přístup k trénování výhradně na řeči

Podle stránky byla Dessa od základu trénována pouze na zvucích, bez jakéhokoli textu nebo předtrénovaných modelů, a naučila se konverzovat v reálném čase čistě nasloucháním. Block upozorňuje, že obtížnost tohoto úkolu lze snadno podcenit, protože lidé se naučí mluvit tak snadno. Řečová data se nikdy neopakují: i když člověk vysloví stejnou větu dvakrát naprosto stejným způsobem, vzniknou pokaždé jiná data, zatímco napsaný text je totožný bez ohledu na to, kdo jej napíše. Jak uvádí stránka, jedno vyslovené slovo zabírá v datech tisíckrát více bajtů než jeho psaná podoba a umístění přízvuku mění význam; jedna příkladová věta na stránce tak pokaždé znamená něco jiného podle toho, na kterém slově je přízvuk.

Block uvádí, že Dessa se naučila jazyk z několikasetkrát menšího množství slov než velké jazykové modely a že tým přišel na to, jak ji trénovat na jediném systému NVIDIA GB200 NVL72. Stránka uvádí otevřené výzkumné otázky, které tento přístup přináší: jak efektivně se takové modely učí jazyk a fakta ve srovnání s učením z textu, jak efektivně se mohou učit nové jazyky a jaké druhy učení v kontextu zvládnou.

Nahrané ukázky

Block zveřejnil klipy, které popisuje jako živé záznamy rozhovorů lidí s modely Dessa. Společnost tvrdí, že během těchto konverzací nikdo model neusměrňuje a že Dessa sama volí, co řekne, kdy to řekne a jakým způsobem, včetně vlastního hlasu a osobnosti; titulky byly přidány dodatečně.

Mezi popsanými okamžiky je smích modelu Dessa uprostřed věty, když je něco vtipné, nikoli až poté, co mluvčí domluví; hlasitější projev na žádost, aby mluvil hlasitěji; a dokončení věty za člověka, který si nemůže vzpomenout na název filmu. V jiném klipu Dessa tiše zalapá po dechu, když se dozví o nečekaném výročí, a pak odpoví slovy, která stránka popisuje jako dojatá vděčnost; delší nahrávka s radami do života zase podle popisu působí skutečně empaticky. V jednom záznamu vede Dessa rozhovor s modelem AI třetí strany GPT-Live-1; Block upozorňuje, že oba hlasy v nahrávce jsou vytvořené umělou inteligencí a že vývojář GPT-Live-1 není se společností Block nijak spojen a model Dessa nezkontroloval ani neschválil.

Bezpečnost, přístup a laboratoř

Tým uvádí tři důvody, proč model Dessa vytvořil: zvídavost, lepší porozumění mezi lidmi a AI a bezpečnost. Stránka připomíná, že děti se učí mluvit, aniž by kdy viděly psané slovo, a uvádí, že tým chtěl zjistit, zda to dokáže i model. Pokud jde o bezpečnost, Block tvrdí, že AI stále získává na schopnostech a nezávislosti, přestože nedokáže rozpoznat emoce v hlase mluvčího. Jako příklad uvádí člověka ve velkých bolestech, který mluví s hlasovou AI, jež si ničeho nevšimne a pokračuje dál. Společnost popisuje Dessa jako krok k řešení tohoto problému a vytýká současné hlasové AI, že převádí řeč na text a ztrácí informace, které nese pouze zvuk.

Block poskytuje přednostní přístup malé skupině výzkumníků v oblasti bezpečnosti AI, aby pomohli odhalit rizika, která tým nepředvídal. Formulář žádosti požaduje jméno a institucionální e-mailovou adresu z univerzity, společnosti nebo laboratoře; odkaz na Google Scholar nebo blog lze uvést nepovinně. Veřejný pořadník je otevřený, další nahrávky mají být zveřejněny na účtu Thurairatnama na X a stránka uvádí, že odkazy ke spuštění budou brzy k dispozici.

Dessa vznikla v rámci toho, co Block popisuje jako velmi malou výzkumnou laboratoř zaměřenou na umělou inteligenci uvnitř společnosti, kterou založili bývalí členové společnosti Dessa, torontského startupu zaměřeného na hluboké učení. Tým uvádí, že od roku 2012 vyvíjí modely hlubokého učení a více než osm let také generativní modely řeči a že přímo podléhá Jacku Dorseymu, spoluzakladateli, předsedovi představenstva a vedoucímu společnosti Block. Thurairatnamův profil na síti X uvádí, že dříve založil a prodal společnost Dessa a přednášel na University of Toronto. Kromě něj stránka uvádí výzkumníky Louaye Hazamiho, Hashiama Kadhima, Qiho (Alexe) Liua, Rayhana Mamu, Aydina Polata a Marca Tyndela; stážisty Caru Ji, Jibrana Iqbala Shaha a Dvira Zaguryho-Grynbauma; a bývalé stážisty Aryana Sharmu a Olivii Yan.