Η Block παρουσιάζει την Dessa, ένα μοντέλο ομιλίας πλήρους αμφίδρομης επικοινωνίας, εκπαιδευμένο σε συνομιλίες

Το εσωτερικό εργαστήριο έρευνας ΤΝ της Block ανακοίνωσε την Dessa στις 23 Οκτωβρίου 2026: ένα μοντέλο ομιλίας-σε-ομιλία πλήρους αμφίδρομης επικοινωνίας, το οποίο, σύμφωνα με την εταιρεία, εκπαιδεύτηκε από το μηδέν αποκλειστικά με ανθρώπινες συνομιλίες. Η ανακοίνωση συνοδεύτηκε από ηχογραφήσεις ζωντανών επιδείξεων, μια δημόσια λίστα αναμονής και πρώιμη πρόσβαση για μια μικρή ομάδα ερευνητών ασφάλειας της ΤΝ.

Η ανακοίνωση συνοδεύτηκε από τη σελίδα της Block για την Dessa και μια ανάρτηση στο X από τον Ragavan Thurairatnam, επικεφαλής του εργαστηρίου. Ο Thurairatnam περιέγραψε την Dessa ως το πρώτο μοντέλο ΤΝ που μπορεί να συμμετέχει σε ρεαλιστική συνομιλία αφού εκπαιδεύτηκε αποκλειστικά με ομιλία, είπε ότι μπορεί να λειτουργεί σε καταναλωτικές GPU και χαρακτήρισε την κυκλοφορία της «στιγμή GPT3 για την ομιλία». Στη σελίδα της, η Block γράφει ότι, απ’ όσο γνωρίζει η εταιρεία, η Dessa είναι η πρώτη ΤΝ στον κόσμο που μπορεί να συμμετέχει σε ρεαλιστική ζωντανή συνομιλία, έχοντας εκπαιδευτεί μόνο με ανθρώπινη ομιλία.

Η Block περιγράφει την Dessa ως ένα πραγματικό μοντέλο ομιλίας-σε-ομιλία: δέχεται ήχο και παράγει ήχο. Είναι πλήρως αμφίδρομο, επομένως ακούει και μιλά ταυτόχρονα, και, σύμφωνα με την εταιρεία, έμαθε από πραγματικές συνομιλίες πότε να παρεμβαίνει και πότε να δίνει σύντομα σημάδια ότι παρακολουθεί. Η Block λέει ότι το μοντέλο αντιλαμβάνεται και εκφράζει εγγενώς συναισθήματα, σαρκασμό και γέλιο, καθώς και έναν αναστεναγμό απογοήτευσης ή μια φωνή που σπάει από λύπη· ότι η επεξεργασία γίνεται ταχύτερα από τον πραγματικό χρόνο, ώστε οι απαντήσεις να δίνονται χωρίς αμήχανη παύση· και ότι η Dessa λειτουργεί τοπικά σε MacBook Pro M4 Max ή νεότερο. Η εταιρεία το χαρακτηρίζει ως το πιο αυθεντικό μοντέλο ομιλίας πλήρους αμφίδρομης επικοινωνίας που έχει κατασκευαστεί ποτέ και λέει ότι η συνομιλία μαζί του μοιάζει με συνομιλία με άνθρωπο.

Προσέγγιση εκπαίδευσης αποκλειστικά με ομιλία

Σύμφωνα με τη σελίδα, η Dessa εκπαιδεύτηκε από το μηδέν αποκλειστικά με ήχους, χωρίς κείμενο ή προεκπαιδευμένα μοντέλα, και έμαθε να συνομιλεί σε πραγματικό χρόνο μόνο ακούγοντας. Η Block υποστηρίζει ότι είναι εύκολο να υποτιμήσει κανείς τη δυσκολία αυτού του εγχειρήματος, επειδή οι άνθρωποι μαθαίνουν να μιλούν τόσο εύκολα. Τα δεδομένα ομιλίας δεν επαναλαμβάνονται ποτέ: ακόμη κι αν πει κανείς την ίδια πρόταση δύο φορές με ακριβώς τον ίδιο τρόπο, προκύπτουν διαφορετικά δεδομένα· αντίθετα, το πληκτρολογημένο κείμενο είναι πανομοιότυπο, όποιος κι αν το πληκτρολογήσει. Σε όρους δεδομένων, αναφέρει η σελίδα, μία προφορική λέξη καταλαμβάνει χιλιάδες φορές περισσότερα byte από τη γραπτή μορφή της, ενώ η θέση του τόνου αλλάζει το νόημα· ένα παράδειγμα πρότασης στη σελίδα αποκτά διαφορετική σημασία κάθε φορά που τονίζεται διαφορετική λέξη.

Η Block λέει ότι η Dessa έμαθε τη γλώσσα με εκατοντάδες φορές λιγότερες λέξεις από τα μεγάλα γλωσσικά μοντέλα και ότι η ομάδα βρήκε τρόπο να την εκπαιδεύσει σε ένα μόνο σύστημα NVIDIA GB200 NVL72. Η σελίδα παραθέτει τα ανοιχτά ερευνητικά ερωτήματα που εγείρει αυτή η προσέγγιση: πόσο αποτελεσματικά μαθαίνουν τέτοια μοντέλα τη γλώσσα και τις πληροφορίες σε σύγκριση με το κείμενο, πόσο αποτελεσματικά μπορούν να μάθουν νέες γλώσσες και τι είδους μάθηση εντός του πλαισίου μπορούν να επιτύχουν.

Ηχογραφημένες επιδείξεις

Η Block δημοσίευσε αποσπάσματα που περιγράφει ως ζωντανές ηχογραφήσεις ανθρώπων να συνομιλούν με την Dessa. Η εταιρεία λέει ότι κανείς δεν κατευθύνει το μοντέλο κατά τη διάρκεια αυτών των συνομιλιών και ότι η ίδια η Dessa επιλέγει τι θα πει, πότε θα το πει και πώς θα το πει, καθώς και τη δική της φωνή και προσωπικότητα· οι υπότιτλοι προστέθηκαν εκ των υστέρων.

Στις στιγμές που περιγράφονται περιλαμβάνονται η Dessa να γελά στη μέση μιας πρότασης όταν κάτι είναι αστείο, αντί να περιμένει να τελειώσει ο ομιλητής· να δυναμώνει τη φωνή της όταν της ζητούν να μιλήσει πιο δυνατά· και να ολοκληρώνει την πρόταση κάποιου όταν εκείνος δεν μπορεί να θυμηθεί τον τίτλο μιας ταινίας. Σε ένα άλλο απόσπασμα, η Dessa παίρνει μια χαμηλόφωνη ανάσα έκπληξης όταν ανακοινώνεται απροσδόκητα μια επέτειος και στη συνέχεια απαντά με αυτό που η σελίδα περιγράφει ως συγκινημένη ευγνωμοσύνη, ενώ μια μεγαλύτερη ηχογράφηση με συμβουλές ζωής περιγράφεται ως ειλικρινά συμπονετική. Σε μία ηχογράφηση, η Dessa συνομιλεί με το GPT-Live-1, ένα μοντέλο ΤΝ τρίτου μέρους· η Block σημειώνει ότι και οι δύο φωνές στην ηχογράφηση έχουν δημιουργηθεί από ΤΝ και ότι ο δημιουργός του GPT-Live-1 δεν συνδέεται με την Block και δεν έχει αξιολογήσει ούτε εγκρίνει την Dessa.

Ασφάλεια, πρόσβαση και το εργαστήριο

Η ομάδα αναφέρει τρεις λόγους για τη δημιουργία της Dessa: την περιέργεια, την καλύτερη κατανόηση μεταξύ ανθρώπων και ΤΝ και την ασφάλεια. Η σελίδα επισημαίνει ότι τα μωρά μαθαίνουν να μιλούν χωρίς να βλέπουν ποτέ γραπτή λέξη και λέει ότι η ομάδα ήθελε να διαπιστώσει αν ένα μοντέλο θα μπορούσε να κάνει το ίδιο. Όσον αφορά την ασφάλεια, η Block υποστηρίζει ότι η ΤΝ αποκτά διαρκώς περισσότερη ισχύ και αυτονομία, ενώ εξακολουθεί να μην μπορεί να αναγνωρίζει το συναίσθημα στη φωνή του ομιλητή· ως παράδειγμα αναφέρει κάποιον που πονάει πολύ, ενώ μια φωνητική ΤΝ δεν το αντιλαμβάνεται και συνεχίζει. Η εταιρεία περιγράφει την Dessa ως ένα βήμα προς την επίλυση αυτού του προβλήματος και επικρίνει τα σημερινά συστήματα φωνητικής ΤΝ επειδή ανάγουν την ομιλία σε κείμενο και χάνουν τις πληροφορίες που μεταφέρει μόνο ο ήχος.

Η Block παρέχει πρώιμη πρόσβαση σε μια μικρή ομάδα ερευνητών ασφάλειας της ΤΝ, ώστε να εντοπίσουν κινδύνους που δεν έχει προβλέψει η ομάδα, και η φόρμα υποβολής αιτήματος ζητά ονοματεπώνυμο και ιδρυματική διεύθυνση email από πανεπιστήμιο, εταιρεία ή εργαστήριο, καθώς και προαιρετικό σύνδεσμο προς το Google Scholar ή κάποιο ιστολόγιο. Η δημόσια λίστα αναμονής είναι ανοιχτή, θα κοινοποιηθούν περισσότερες ηχογραφήσεις στον λογαριασμό του Thurairatnam στο X και η σελίδα αναφέρει ότι οι σύνδεσμοι για την κυκλοφορία θα είναι σύντομα διαθέσιμοι.

Η Dessa προέρχεται από ένα πολύ μικρό εργαστήριο έρευνας τεχνητής νοημοσύνης μέσα στην εταιρεία, όπως το περιγράφει η Block. Το εργαστήριο ιδρύθηκε από πρώην μέλη της Dessa, της νεοφυούς επιχείρησης βαθιάς μάθησης από το Τορόντο. Η ομάδα αναφέρει ότι κατασκευάζει μοντέλα βαθιάς μάθησης από το 2012 και μοντέλα παραγωγής ομιλίας για περισσότερα από οκτώ χρόνια, ενώ υπάγεται απευθείας στον Jack Dorsey, συνιδρυτή της Block, πρόεδρο και επικεφαλής της Block. Στο βιογραφικό του Thurairatnam στο X αναφέρεται ότι είχε ιδρύσει και πουλήσει στο παρελθόν την Dessa και είχε διδάξει στο University of Toronto. Μαζί του, η σελίδα αναφέρει τους ερευνητές Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat και Marc Tyndel· τους ασκούμενους Cara Ji, Jibran Iqbal Shah και Dvir Zagury-Grynbaum· καθώς και τους πρώην ασκούμενους Aryan Sharma και Olivia Yan.