Block представляє Dessa — повнодуплексну мовленнєву модель, навчену на розмовах

Власна дослідницька лабораторія Block у сфері ШІ оголосила про Dessa 23 жовтня 2026 року. Це повнодуплексна модель перетворення мовлення на мовлення, яку, за словами компанії, навчили з нуля виключно на людських розмовах. Разом із нею оприлюднили записи живих демонстрацій, відкрили публічний список очікування та надали ранній доступ невеликій групі дослідників безпеки ШІ.

В оголошенні поєднали сторінку Dessa від Block із дописом у X від керівника лабораторії Рагавана Турайратнама. Турайратнам назвав Dessa першою моделлю ШІ, яка здатна вести реалістичну розмову після навчання виключно на мовленні, зазначив, що вона може працювати на споживчих графічних процесорах, і назвав її випуск «моментом GPT3 для мовлення». На своїй сторінці Block пише, що, наскільки відомо компанії, Dessa — перший у світі ШІ, здатний вести реалістичну розмову наживо після навчання лише на людському мовленні.

Block описує Dessa як повноцінну модель перетворення мовлення на мовлення: на вході — аудіо, на виході — аудіо. Вона повнодуплексна, тобто слухає й говорить одночасно; за словами компанії, завдяки навчанню на реальних розмовах модель навчилася розуміти, коли варто втрутитися в розмову, а коли подати короткий сигнал, що вона слухає. Block стверджує, що модель безпосередньо сприймає й передає емоції, сарказм і сміх, чує роздратоване зітхання та голос, що тремтить від смутку; висновування відбувається швидше, ніж у реальному часі, тож відповіді надходять без незручної паузи; а сама Dessa працює локально на MacBook Pro M4 Max або потужнішому комп’ютері. Компанія називає її найавтентичнішою повнодуплексною мовленнєвою моделлю з усіх створених і каже, що розмова з нею нагадує розмову з людиною.

Підхід до навчання лише на мовленні

Згідно зі сторінкою, Dessa навчали з нуля лише на звуках — без тексту й попередньо навчених моделей; вона навчилася спілкуватися в реальному часі, просто слухаючи. Block зазначає, що складність цього завдання легко недооцінити, адже люди опановують мовлення так невимушено. Дані мовлення ніколи не повторюються: навіть якщо двічі вимовити те саме речення абсолютно однаково, дані все одно будуть різними, тоді як надрукований текст не змінюється залежно від того, хто його набирає. За даними сторінки, одне вимовлене слово займає в тисячі разів більше байтів, ніж його письмовий відповідник, а наголос змінює значення; у наведеному на сторінці прикладі речення щоразу набуває іншого змісту, коли наголос падає на інше слово.

Block каже, що Dessa засвоїла мову на сотні разів меншій кількості слів, ніж великі мовні моделі, а команда з’ясувала, як навчати її на одній системі NVIDIA GB200 NVL72. На сторінці наведено відкриті дослідницькі питання, що постають у зв’язку з цим підходом: наскільки ефективно такі моделі засвоюють мову й факти порівняно з навчанням на тексті, наскільки ефективно вони можуть опановувати нові мови та які види навчання в контексті їм доступні.

Записані демонстрації

Block опублікувала уривки, які компанія описує як записи живих розмов людей із Dessa. За словами компанії, під час цих розмов ніхто не скеровує модель: Dessa сама вирішує, що, коли й як сказати, зокрема обирає власний голос і характер; субтитри додали вже після запису.

Серед описаних моментів — Dessa сміється посеред речення, коли чує щось кумедне, а не чекає, поки співрозмовник закінчить; говорить голосніше на прохання; і закінчує речення за людину, яка не може пригадати назву фільму. В іншому уривку Dessa тихо ахкає, почувши несподіване оголошення про річницю, а потім відповідає, як описано на сторінці, зі сльозами вдячності; довший запис із порадами про життя, за описом, звучить по-справжньому співчутливо. В одному записі Dessa розмовляє з GPT-Live-1, сторонньою моделлю ШІ; Block зазначає, що обидва голоси в цьому записі згенеровані ШІ, а розробник GPT-Live-1 не пов’язаний із Block, не перевіряв Dessa й не схвалював її.

Безпека, доступ і лабораторія

Команда називає три причини створення Dessa: цікавість, краще взаєморозуміння між людьми та ШІ й безпеку. На сторінці зазначається, що немовлята вчаться говорити, жодного разу не побачивши написаного слова, і пояснюється, що команда хотіла з’ясувати, чи може модель зробити те саме. Говорячи про безпеку, Block стверджує, що ШІ постійно стає потужнішим і незалежнішим, але досі не здатен розпізнавати емоції в голосі співрозмовника. Як приклад компанія наводить людину, яка відчуває сильний біль, тоді як голосовий ШІ нічого не помічає й продовжує розмову. Block описує Dessa як крок до розв’язання цієї проблеми й критикує сучасні голосові системи ШІ за те, що вони перетворюють мовлення на текст і втрачають інформацію, яку передає лише звук.

Block надає ранній доступ невеликій групі дослідників безпеки ШІ, щоб виявити ризики, яких команда не передбачила. У формі заявки просять указати ім’я та адресу робочої електронної пошти від університету, компанії чи лабораторії, а посилання на Google Scholar або блог можна додати за бажанням. Публічний список очікування відкритий, нові записи планують опублікувати в обліковому записі Турайратнама в X, а на сторінці зазначено, що посилання для запуску з’являться незабаром.

Dessa виникла в межах того, що Block описує як дуже невелику дослідницьку лабораторію ШІ всередині компанії, засновану колишніми учасниками Dessa — торонтського стартапу у сфері глибинного навчання. Команда стверджує, що створює моделі глибинного навчання з 2012 року, а генеративні мовленнєві моделі — понад вісім років, і безпосередньо підпорядковується Джеку Дорсі, співзасновнику Block, голові ради директорів і керівнику Block. У біографії Thurairatnam в X зазначено, що раніше він заснував Dessa, згодом продав її та викладав в University of Toronto. Поряд із ним на сторінці вказані дослідники Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat і Marc Tyndel; стажери Cara Ji, Jibran Iqbal Shah і Dvir Zagury-Grynbaum; а також колишні стажери Aryan Sharma та Olivia Yan.