Block ने Dessa का अनावरण किया: बातचीत पर प्रशिक्षित पूर्ण-द्वैध वाणी मॉडल

Block की आंतरिक AI अनुसंधान प्रयोगशाला ने 23 अक्टूबर 2026 को Dessa की घोषणा की। कंपनी के अनुसार, यह वाणी-से-वाणी मॉडल केवल मानवीय बातचीत पर शुरू से प्रशिक्षित किया गया है। कंपनी ने इसके लाइव डेमो की रिकॉर्डिंग, सार्वजनिक प्रतीक्षा-सूची और AI सुरक्षा शोधकर्ताओं के एक छोटे समूह के लिए शुरुआती पहुँच भी जारी की।

इस घोषणा के साथ Block का Dessa पेज और प्रयोगशाला के प्रमुख Ragavan Thurairatnam की ओर से X पर एक पोस्ट भी प्रकाशित की गई। Thurairatnam ने Dessa को ऐसा पहला AI मॉडल बताया जो पूरी तरह वाणी पर प्रशिक्षित होने के बाद वास्तविक बातचीत कर सकता है। उन्होंने कहा कि यह उपभोक्ता GPU पर चल सकता है और इस रिलीज़ को “वाणी के लिए GPT3 वाला क्षण” कहा। अपने पेज पर Block लिखता है कि कंपनी की जानकारी के अनुसार, Dessa दुनिया का पहला AI है जो केवल मानवीय वाणी पर प्रशिक्षित होने के बाद वास्तविक समय में बातचीत कर सकता है।

Block के अनुसार, Dessa एक वास्तविक वाणी-से-वाणी मॉडल है: इनपुट में ऑडियो, आउटपुट में ऑडियो। यह पूर्ण-द्वैध है, इसलिए एक ही समय में सुनता और बोलता है। कंपनी का कहना है कि इसने वास्तविक बातचीत से सीखा है कि कब बीच में बोलना है और कब यह दिखाने के लिए सुनने के संकेत देने हैं कि वह बातचीत पर ध्यान दे रहा है। Block का कहना है कि मॉडल भावनाओं, व्यंग्य, हँसी, झुँझलाहट भरी आह और दुख से काँपती आवाज़ को स्वाभाविक रूप से सुन और व्यक्त कर सकता है; इसकी अनुमान-प्रक्रिया वास्तविक समय से भी तेज़ चलती है, इसलिए जवाब बिना किसी असहज विराम के आते हैं; और Dessa स्थानीय रूप से MacBook Pro M4 Max या उससे बेहतर कंप्यूटर पर चलता है। कंपनी इसे अब तक बनाया गया सबसे स्वाभाविक पूर्ण-द्वैध वाणी मॉडल कहती है और कहती है कि इससे बात करना किसी इंसान से बात करने जैसा लगता है।

केवल वाणी पर प्रशिक्षण का तरीका

पेज के अनुसार, Dessa को शुरू से केवल ध्वनियों पर प्रशिक्षित किया गया—इसमें न तो किसी पाठ का इस्तेमाल हुआ, न ही पहले से प्रशिक्षित मॉडल का। इसने केवल सुनकर वास्तविक समय में बातचीत करना सीखा। Block का तर्क है कि इस काम की कठिनाई को कम आँकना आसान है, क्योंकि इंसान इतनी सहजता से बोलना सीख जाते हैं। वाणी का डेटा कभी दोहराया नहीं जाता: एक ही वाक्य को ठीक उसी तरह दो बार कहने पर भी डेटा अलग होता है, जबकि टाइप किया गया पाठ लिखने वाले व्यक्ति की परवाह किए बिना एक जैसा रहता है। पेज के मुताबिक, डेटा के लिहाज़ से बोले गए एक शब्द में उसके लिखित रूप से हज़ारों गुना अधिक बाइट लगते हैं और किस शब्द पर ज़ोर दिया जाता है, इससे अर्थ बदल जाता है। पेज पर दिया गया एक उदाहरण-वाक्य हर बार अलग अर्थ लेता है, जब किसी दूसरे शब्द पर ज़ोर दिया जाता है।

Block का कहना है कि Dessa ने बड़े भाषा मॉडलों की तुलना में सैकड़ों गुना कम शब्दों से भाषा सीखी और टीम ने इसे एक ही NVIDIA GB200 NVL72 सिस्टम पर प्रशिक्षित करने का तरीका निकाला। पेज में इस तरीके से जुड़े खुले अनुसंधान प्रश्न भी दिए गए हैं: ऐसे मॉडल पाठ की तुलना में भाषा और तथ्यों को कितनी कुशलता से सीखते हैं, वे नई भाषाएँ कितनी कुशलता से सीख सकते हैं, और वे किस तरह का संदर्भ-अंतर्गत अधिगम कर सकते हैं।

रिकॉर्ड किए गए प्रदर्शन

Block ने ऐसे क्लिप प्रकाशित किए जिन्हें वह लोगों और Dessa के बीच बातचीत की लाइव रिकॉर्डिंग बताता है। कंपनी का कहना है कि इन बातचीतों के दौरान कोई भी मॉडल को निर्देशित नहीं करता और Dessa खुद तय करता है कि क्या कहना है, कब कहना है और कैसे कहना है—इसमें उसकी अपनी आवाज़ और व्यक्तित्व भी शामिल हैं। उपशीर्षक बाद में जोड़े गए थे।

वर्णित क्षणों में शामिल हैं: कोई बात मज़ेदार लगने पर वक्ता के बोलना खत्म करने के बाद नहीं, बल्कि वाक्य के बीच में Dessa का हँसना; ज़ोर से बोलने के लिए कहे जाने पर उसकी आवाज़ ऊँची करना; और किसी व्यक्ति के फ़िल्म का नाम भूल जाने पर उसका वाक्य पूरा कर देना। एक अन्य क्लिप में, शादी की सालगिरह की अचानक मिली ख़बर पर जवाब देने से पहले Dessa धीमे से हाँफता है; पेज के मुताबिक, फिर वह आँखों में आँसू लिए कृतज्ञता जताता है। जीवन के बारे में सलाह वाली एक लंबी रिकॉर्डिंग को भी सचमुच सहानुभूतिपूर्ण बताया गया है। एक रिकॉर्डिंग में Dessa GPT-Live-1 नाम के तीसरे पक्ष के AI मॉडल से बातचीत करता है। Block बताता है कि उस रिकॉर्डिंग में दोनों आवाज़ें AI से बनी हैं और GPT-Live-1 का डेवलपर न तो Block से जुड़ा है, न ही उसने Dessa की समीक्षा की है या उसका समर्थन किया है।

सुरक्षा, पहुँच और प्रयोगशाला

टीम Dessa बनाने के तीन कारण बताती है: जिज्ञासा, इंसानों और AI के बीच बेहतर समझ और सुरक्षा। पेज बताता है कि बच्चे लिखे हुए शब्द को देखे बिना बोलना सीखते हैं और कहता है कि टीम यह देखना चाहती थी कि क्या कोई मॉडल भी ऐसा कर सकता है। सुरक्षा के मामले में, Block का तर्क है कि AI लगातार अधिक शक्तिशाली और स्वतंत्र होता जा रहा है, लेकिन वक्ता की आवाज़ में मौजूद भावनाओं को पहचानने में अब भी असमर्थ है। उदाहरण के तौर पर, कोई व्यक्ति गंभीर दर्द में हो सकता है, जबकि वॉइस AI को इसका बिल्कुल पता न हो और वह बोलता रहे। कंपनी Dessa को इस समस्या को ठीक करने की दिशा में एक कदम बताती है और मौजूदा वॉइस AI की यह आलोचना करती है कि वह वाणी को पाठ में बदल देता है और वह जानकारी खो देता है जो केवल ध्वनि से मिलती है।

Block AI सुरक्षा शोधकर्ताओं के एक छोटे समूह को शुरुआती पहुँच दे रहा है, ताकि वे उन जोखिमों का पता लगा सकें जिनकी टीम ने कल्पना नहीं की है। उसके अनुरोध फ़ॉर्म में नाम और किसी विश्वविद्यालय, कंपनी या प्रयोगशाला का संस्थागत ईमेल माँगा जाता है; Google Scholar या ब्लॉग का लिंक देना वैकल्पिक है। सार्वजनिक प्रतीक्षा-सूची खुली है, Thurairatnam के X खाते पर और रिकॉर्डिंग साझा की जानी हैं, और पेज के अनुसार, लॉन्च के लिंक जल्द आ रहे हैं।

Dessa की शुरुआत उस बेहद छोटी AI अनुसंधान प्रयोगशाला से हुई है, जिसे Block कंपनी के भीतर संचालित बताता है और जिसकी स्थापना Dessa नामक टोरंटो स्थित डीप लर्निंग स्टार्टअप के पूर्व सदस्यों ने की थी। टीम का कहना है कि वह 2012 से डीप लर्निंग मॉडल और आठ साल से अधिक समय से जनरेटिव स्पीच मॉडल बना रही है। वह सीधे Jack Dorsey को रिपोर्ट करती है, जो Block के सह-संस्थापक, अध्यक्ष और Block प्रमुख हैं। Thurairatnam की X प्रोफ़ाइल में बताया गया है कि उन्होंने पहले Dessa की स्थापना की थी और बाद में उसे बेच दिया था। उन्होंने University of Toronto में व्याख्यान भी दिए थे। उनके साथ, पेज पर शोधकर्ताओं Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat और Marc Tyndel के नाम हैं; प्रशिक्षुओं में Cara Ji, Jibran Iqbal Shah और Dvir Zagury-Grynbaum शामिल हैं; और पूर्व प्रशिक्षुओं में Aryan Sharma तथा Olivia Yan के नाम हैं।