Block เปิดตัว Dessa โมเดลเสียงพูดแบบฟูลดูเพล็กซ์ที่ฝึกจากบทสนทนา

ห้องปฏิบัติการวิจัย AI ภายในบริษัทของ Block ประกาศเปิดตัว Dessa เมื่อวันที่ 23 ตุลาคม 2026 ซึ่งเป็นโมเดลเสียงพูดเข้า-เสียงพูดออกแบบฟูลดูเพล็กซ์ที่บริษัทระบุว่าฝึกขึ้นใหม่ทั้งหมดจากบทสนทนาของมนุษย์เท่านั้น พร้อมเผยแพร่คลิปบันทึกการสาธิตสด เปิดให้ลงชื่อรอใช้งานแก่บุคคลทั่วไป และมอบสิทธิ์เข้าถึงล่วงหน้าแก่กลุ่มนักวิจัยด้านความปลอดภัยของ AI จำนวนไม่มาก

การประกาศดังกล่าวมาพร้อมกับ หน้า Dessa ของ Block และ โพสต์บน X โดย Ragavan Thurairatnam หัวหน้าห้องปฏิบัติการ Thurairatnam อธิบายว่า Dessa เป็นโมเดล AI ตัวแรกที่สนทนาได้อย่างสมจริงหลังฝึกด้วยเสียงพูดเพียงอย่างเดียว พร้อมระบุว่าโมเดลทำงานบน GPU สำหรับผู้ใช้ทั่วไปได้ และเรียกการเปิดตัวครั้งนี้ว่า “ช่วงเวลา GPT3 ของวงการเสียงพูด” ในหน้าเว็บไซต์ Block ระบุว่า เท่าที่บริษัททราบ Dessa คือ AI ตัวแรกของโลกที่สนทนาโต้ตอบแบบสดได้อย่างสมจริง หลังฝึกด้วยเสียงพูดจากมนุษย์เท่านั้น

Block อธิบายว่า Dessa เป็นโมเดลเสียงพูดเข้า-เสียงพูดออกอย่างแท้จริง กล่าวคือ รับเสียงเข้าและส่งเสียงออก โมเดลทำงานแบบฟูลดูเพล็กซ์ จึงฟังและพูดได้พร้อมกัน และบริษัทระบุว่าโมเดลเรียนรู้จากบทสนทนาจริงว่าควรพูดแทรกเมื่อใด และควรส่งสัญญาณตอบรับอย่างไรเพื่อแสดงว่ากำลังติดตามบทสนทนาอยู่ Block ระบุว่าโมเดลรับรู้และถ่ายทอดอารมณ์ การประชด เสียงหัวเราะ เสียงถอนหายใจด้วยความหงุดหงิด และเสียงที่สั่นเครือด้วยความเศร้าได้โดยตรง อีกทั้งประมวลผลได้เร็วกว่าความเร็วแบบเรียลไทม์ จึงตอบกลับได้โดยไม่เว้นช่วงอย่างน่าอึดอัด และ Dessa ทำงานบน MacBook Pro M4 Max หรือรุ่นที่มีประสิทธิภาพสูงกว่าได้ บริษัทเรียกโมเดลนี้ว่าเป็นโมเดลเสียงพูดแบบฟูลดูเพล็กซ์ที่มีความเป็นธรรมชาติมากที่สุดเท่าที่เคยสร้างมา และระบุว่าการพูดคุยกับโมเดลให้ความรู้สึกเหมือนคุยกับคนจริง ๆ

แนวทางการฝึกด้วยเสียงพูดเพียงอย่างเดียว

ตามข้อมูลบนหน้าเว็บไซต์ Dessa ฝึกขึ้นใหม่ทั้งหมดจากเสียงเพียงอย่างเดียว โดยไม่ใช้ข้อความหรือโมเดลที่ผ่านการฝึกมาก่อน และเรียนรู้การสนทนาแบบเรียลไทม์ด้วยการฟังเท่านั้น Block ชี้ว่าเราอาจประเมินความยากของงานนี้ต่ำเกินไป เพราะมนุษย์เรียนรู้ที่จะพูดได้ง่าย ข้อมูลเสียงพูดไม่เคยซ้ำกัน แม้พูดประโยคเดิมสองครั้งด้วยวิธีเดียวกันทุกประการ ก็ยังได้ข้อมูลที่แตกต่างกัน ขณะที่ข้อความที่พิมพ์จะเหมือนกันไม่ว่าใครจะเป็นผู้พิมพ์ก็ตาม ในแง่ของข้อมูล หน้าเว็บไซต์ระบุว่าคำพูดหนึ่งคำใช้พื้นที่เป็นไบต์มากกว่ารูปแบบเขียนหลายพันเท่า และการเน้นเสียงในตำแหน่งต่างกันก็ทำให้ความหมายเปลี่ยนไป โดยประโยคตัวอย่างหนึ่งบนหน้าเว็บไซต์มีความหมายต่างกันทุกครั้งที่เน้นคนละคำ

Block ระบุว่า Dessa เรียนรู้ภาษาโดยใช้จำนวนคำน้อยกว่าโมเดลภาษาขนาดใหญ่หลายร้อยเท่า และทีมงานหาวิธีฝึกโมเดลนี้บนระบบ NVIDIA GB200 NVL72 เพียงระบบเดียวได้ หน้าเว็บไซต์ยังระบุคำถามวิจัยที่ยังไม่มีคำตอบซึ่งเกิดจากแนวทางนี้ ได้แก่ โมเดลลักษณะนี้เรียนรู้ภาษาและข้อเท็จจริงได้มีประสิทธิภาพเพียงใดเมื่อเทียบกับการเรียนรู้จากข้อความ เรียนรู้ภาษาใหม่ได้มีประสิทธิภาพเพียงใด และสามารถเรียนรู้จากบริบทขณะใช้งานได้ในรูปแบบใดบ้าง

การสาธิตที่บันทึกไว้

Block เผยแพร่คลิปที่อธิบายว่าเป็นการบันทึกสดของผู้คนที่กำลังพูดคุยกับ Dessa บริษัทระบุว่าไม่มีใครชี้นำโมเดลระหว่างการสนทนาเหล่านี้ และ Dessa เลือกเองว่าจะพูดอะไร พูดเมื่อใด และพูดอย่างไร รวมถึงเลือกน้ำเสียงและบุคลิกของตนเองด้วย ส่วนคำบรรยายถูกเพิ่มเข้ามาภายหลัง

ช่วงเวลาที่มีการบรรยายไว้ ได้แก่ Dessa หัวเราะกลางประโยคเมื่อเจอเรื่องตลก แทนที่จะรอให้ผู้พูดพูดจบ พูดเสียงดังขึ้นเมื่อมีคนขอให้พูดดังขึ้น และพูดต่อจนจบประโยคแทนคนที่นึกชื่อภาพยนตร์ไม่ออก ในอีกคลิปหนึ่ง Dessa สูดลมหายใจเฮือกเบา ๆ เมื่อได้ยินข่าวเซอร์ไพรส์เรื่องวันครบรอบ ก่อนตอบกลับด้วยความซาบซึ้งจนน้ำตาคลอ ตามคำบรรยายบนหน้าเว็บไซต์ ส่วนคลิปยาวที่ให้คำแนะนำเรื่องชีวิตนั้นมีคำอธิบายว่าให้ความรู้สึกเห็นอกเห็นใจอย่างจริงใจ การบันทึกเสียงหนึ่งเป็นบทสนทนาระหว่าง Dessa กับ GPT-Live-1 ซึ่งเป็นโมเดล AI ของบุคคลที่สาม Block ระบุว่าเสียงทั้งสองในคลิปดังกล่าวสร้างขึ้นด้วย AI และผู้พัฒนา GPT-Live-1 ไม่มีส่วนเกี่ยวข้องกับ Block อีกทั้งไม่ได้ตรวจสอบหรือรับรอง Dessa

ความปลอดภัย การเข้าถึง และห้องปฏิบัติการ

ทีมงานให้เหตุผลสามประการในการสร้าง Dessa ได้แก่ ความอยากรู้อยากเห็น การทำความเข้าใจระหว่างมนุษย์กับ AI ให้ดียิ่งขึ้น และความปลอดภัย หน้าเว็บไซต์ระบุว่าทารกเรียนรู้ที่จะพูดได้โดยไม่เคยเห็นคำเขียนแม้แต่คำเดียว และกล่าวว่าทีมงานต้องการดูว่าโมเดลจะทำเช่นเดียวกันได้หรือไม่ ในประเด็นด้านความปลอดภัย Block ชี้ว่า AI มีความสามารถและความเป็นอิสระเพิ่มขึ้นเรื่อย ๆ แต่กลับยังรับรู้อารมณ์จากน้ำเสียงของผู้พูดไม่ได้ โดยยกตัวอย่างคนที่กำลังเจ็บปวดอย่างหนัก ขณะที่ AI เสียงไม่รู้เรื่องและยังพูดต่อไป บริษัทอธิบายว่า Dessa เป็นก้าวหนึ่งในการแก้ปัญหานี้ และตำหนิ AI เสียงในปัจจุบันที่แปลงคำพูดเป็นข้อความจนข้อมูลที่มีอยู่ในเสียงเพียงอย่างเดียวสูญหายไป

Block เปิดให้กลุ่มนักวิจัยด้านความปลอดภัยของ AI จำนวนไม่มากเข้าถึงระบบล่วงหน้า เพื่อค้นหาความเสี่ยงที่ทีมงานยังคาดไม่ถึง แบบฟอร์มขอเข้าถึงระบุให้กรอกชื่อและอีเมลของสถาบันจากมหาวิทยาลัย บริษัท หรือห้องปฏิบัติการ พร้อมแนบลิงก์ Google Scholar หรือบล็อกได้หากต้องการ บุคคลทั่วไปสามารถลงชื่อรอใช้งานได้แล้ว และจะมีการเผยแพร่คลิปบันทึกเพิ่มเติมทางบัญชี X ของ Thurairatnam ส่วนหน้าเว็บไซต์ระบุว่าลิงก์สำหรับเปิดใช้งานจะตามมาในเร็ว ๆ นี้

Dessa มีต้นกำเนิดจากห้องปฏิบัติการวิจัย AI ขนาดเล็กมากภายในบริษัท ซึ่ง Block ระบุว่าก่อตั้งโดยอดีตสมาชิกของ Dessa สตาร์ตอัปด้านดีปเลิร์นนิงจากโตรอนโต ทีมงานระบุว่าได้สร้างโมเดลดีปเลิร์นนิงมาตั้งแต่ปี 2012 และสร้างโมเดลเสียงสังเคราะห์มานานกว่า 8 ปี โดยรายงานตรงต่อ Jack Dorsey ผู้ร่วมก่อตั้ง Block ประธานกรรมการ และหัวหน้าของ Block ประวัติบน X ของ Thurairatnam ระบุว่าเขาเคยก่อตั้งและขาย Dessa รวมทั้งเคยบรรยายที่ University of Toronto นอกจากนี้ หน้าเว็บยังระบุนักวิจัย ได้แก่ Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat และ Marc Tyndel; นักศึกษาฝึกงาน ได้แก่ Cara Ji, Jibran Iqbal Shah และ Dvir Zagury-Grynbaum; และอดีตนักศึกษาฝึกงาน ได้แก่ Aryan Sharma และ Olivia Yan