Block prezentuje Dessę, pełnodupleksowy model mowy wytrenowany na rozmowach

Wewnętrzne laboratorium badawcze Block zajmujące się AI ogłosiło 23 października 2026 r. model Dessa — pełnodupleksowy model przekształcający mowę w mowę, który, jak twierdzi firma, wytrenowano od podstaw wyłącznie na ludzkich rozmowach. Opublikowano nagrania demonstracyjne z użyciem modelu na żywo, uruchomiono publiczną listę oczekujących oraz udostępniono wczesny dostęp niewielkiej grupie badaczy bezpieczeństwa AI.

Ogłoszeniu towarzyszyła strona Block poświęcona modelowi Dessa oraz wpis na X autorstwa Ragavana Thurairatnama, kierującego laboratorium. Thurairatnam opisał Dessę jako pierwszy model AI, który po treningu wyłącznie na mowie potrafi prowadzić realistyczną rozmowę, poinformował, że można go uruchomić na konsumenckich procesorach graficznych, i określił premierę jako „moment GPT3 dla mowy”. Na swojej stronie Block pisze, że według wiedzy firmy Dessa jest pierwszą na świecie AI zdolną do prowadzenia realistycznej rozmowy na żywo po wytrenowaniu wyłącznie na ludzkiej mowie.

Block opisuje Dessę jako prawdziwy model przekształcający mowę w mowę: na wejściu otrzymuje dźwięk, a na wyjściu generuje dźwięk. Jest pełnodupleksowa, więc słucha i mówi jednocześnie. Firma twierdzi, że dzięki rozmowom z ludźmi model nauczył się, kiedy się wtrącić, a kiedy dać sygnał potwierdzający, że nadąża za rozmową. Według Block model naturalnie odbiera i wyraża emocje oraz rozpoznaje sarkazm, śmiech, westchnienie frustracji i załamanie głosu ze smutku. Wnioskowanie przebiega szybciej niż w czasie rzeczywistym, dzięki czemu odpowiedzi pojawiają się bez niezręcznej pauzy, a Dessę można uruchomić lokalnie na komputerze MacBook Pro M4 Max lub nowszym. Firma nazywa ją najbardziej autentycznym pełnodupleksowym modelem mowy, jaki kiedykolwiek stworzono, i twierdzi, że rozmowa z nią przypomina rozmowę z człowiekiem.

Podejście do treningu wyłącznie na mowie

Jak podaje strona, Dessę wytrenowano od podstaw wyłącznie na dźwiękach, bez użycia tekstu ani modeli wstępnie wytrenowanych, a rozmawiać w czasie rzeczywistym nauczyła się wyłącznie przez słuchanie. Block podkreśla, że łatwo nie docenić trudności tego zadania, ponieważ ludzie tak łatwo uczą się mówić. Dane mowy nigdy się nie powtarzają: nawet dwukrotne wypowiedzenie tego samego zdania dokładnie w ten sam sposób daje różne dane, podczas gdy tekst wpisany na klawiaturze pozostaje identyczny niezależnie od tego, kto go wpisuje. Jak podaje strona, w ujęciu ilości danych jedno wypowiedziane słowo zajmuje tysiące razy więcej bajtów niż jego zapisany odpowiednik, a miejsce akcentu zmienia znaczenie. Zdanie podane na stronie jako przykład za każdym razem nabiera innego znaczenia, gdy akcent pada na inne słowo.

Block twierdzi, że Dessa nauczyła się języka na podstawie setki razy mniejszej liczby słów niż duże modele językowe, a zespołowi udało się opracować metodę jej treningu na jednym systemie NVIDIA GB200 NVL72. Strona wymienia otwarte pytania badawcze, które rodzi to podejście: jak efektywnie takie modele uczą się języka i faktów w porównaniu z modelami tekstowymi, jak skutecznie mogą uczyć się nowych języków oraz jakie rodzaje uczenia się w kontekście są w stanie realizować.

Nagrane demonstracje

Block opublikował fragmenty, które opisuje jako nagrania na żywo rozmów ludzi z Dessą. Firma twierdzi, że podczas tych rozmów nikt nie steruje modelem, a sama Dessa wybiera, co i kiedy powiedzieć oraz w jaki sposób, w tym jakim głosem mówić i jaką osobowość prezentować. Napisy dodano później.

Wśród opisanych momentów są: śmiech Dessy w środku zdania, gdy coś ją rozbawi, zamiast dopiero po zakończeniu wypowiedzi rozmówcy; mówienie głośniej na prośbę o podniesienie głosu; oraz dokończenie zdania rozmówcy, który nie może sobie przypomnieć tytułu filmu. Na innym nagraniu Dessa cicho wzdycha z zaskoczenia, gdy słyszy niespodziewaną wiadomość o rocznicy, a następnie odpowiada z — jak opisuje to strona — łzawą wdzięcznością. Dłuższe nagranie z poradami życiowymi opisano jako brzmiące autentycznie empatycznie. Na jednym z nagrań Dessa rozmawia z GPT-Live-1, modelem AI innej firmy. Block zaznacza, że oba głosy na tym nagraniu są generowane przez AI, a twórca GPT-Live-1 nie jest powiązany z Block i nie sprawdzał ani nie poparł modelu Dessa.

Bezpieczeństwo, dostęp i laboratorium

Zespół podaje trzy powody stworzenia Dessy: ciekawość, lepsze zrozumienie między ludźmi a AI oraz bezpieczeństwo. Strona zauważa, że niemowlęta uczą się mówić, choć nigdy nie widziały napisanego słowa, i wyjaśnia, że zespół chciał sprawdzić, czy model może nauczyć się tego samego. W kwestii bezpieczeństwa Block argumentuje, że AI stale zyskuje na mocy i niezależności, a jednocześnie nadal nie potrafi rozpoznać emocji w głosie rozmówcy. Jako przykład podaje osobę odczuwającą silny ból, o którym głosowa AI nie ma pojęcia i która mimo to nie przerywa rozmowy. Firma przedstawia Dessę jako krok w kierunku rozwiązania tego problemu i zarzuca obecnym systemom głosowym AI, że sprowadzają mowę do tekstu, tracąc informacje przekazywane wyłącznie przez dźwięk.

Block udostępnia wczesny dostęp niewielkiej grupie badaczy bezpieczeństwa AI, aby pomogli wykryć zagrożenia, których zespół nie przewidział. Formularz zgłoszeniowy wymaga podania imienia i nazwiska oraz służbowego adresu e-mail z uczelni, firmy lub laboratorium; opcjonalnie można dodać link do profilu Google Scholar albo bloga. Otwarta jest publiczna lista oczekujących, kolejne nagrania mają zostać udostępnione na koncie Thurairatnama w serwisie X, a strona informuje, że linki do uruchomienia usługi pojawią się wkrótce.

Dessa wywodzi się z bardzo małego laboratorium badawczego AI działającego w firmie, założonego przez byłych członków Dessa, torontońskiego startupu zajmującego się głębokim uczeniem — tak opisuje je Block. Zespół twierdzi, że od 2012 roku tworzy modele głębokiego uczenia, a modele generatywnej mowy rozwija od ponad ośmiu lat. Podlega bezpośrednio Jackowi Dorseyowi, współzałożycielowi Block, przewodniczącemu rady i szefowi Block. Z biogramu Thurairatnama na X wynika, że wcześniej założył Dessa, którą następnie sprzedał, oraz wykładał na University of Toronto. Oprócz niego na stronie wymieniono badaczy: Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat i Marc Tyndel; stażystów: Cara Ji, Jibran Iqbal Shah i Dvir Zagury-Grynbaum; a także byłych stażystów: Aryan Sharma i Olivia Yan.