Tập đoàn Block của Jack Dorsey vừa giới thiệu một mô hình giọng nói mới từ phòng thí nghiệm nghiên cứu của công ty. Mô hình này có tên Dessa, có khả năng chạy cục bộ trên các thiết bị và phát ra âm thanh giống con người một cách đáng kinh ngạc, bao gồm cả biểu cảm như cười, ngập ngừng và thổn thức. Công ty cho biết Dessa được huấn luyện hoàn toàn trên giọng nói của con người và chỉ cần một GPU NVIDIA.
Dessa là một mô hình song công toàn phần (full-duplex), có nghĩa là nó có thể nói và nghe cùng lúc, tương tự như mô hình GPT-Live mà OpenAI đã ra mắt trước đó. Điểm khác biệt của Dessa so với các mô hình truyền thống là khả năng tích hợp cảm xúc vào giọng nói một cách tự nhiên, thay vì chỉ dựa vào các thẻ văn bản để điều khiển cảm xúc. Block tuyên bố: “Tương tác với giọng nói AI hiện tại có thể rất khó chịu. Nó biến giọng nói của bạn thành văn bản và làm mất đi lượng thông tin khổng lồ mà văn bản không thể truyền tải. Những AI mạnh mẽ nhất thế giới không thể nghe thấy cảm xúc của bạn. Chúng tôi cho rằng điều đó thật lố bịch, dẫn đến trải nghiệm tồi tệ hơn và tiềm ẩn nguy hiểm.”
Các nhà nghiên cứu của Block đã công bố nhiều ví dụ về cuộc trò chuyện với Dessa, trong đó tác nhân ảo thể hiện các giọng điệu, ngữ điệu và cảm xúc khác nhau. Theo công ty, mô hình này có thể chạy trên các máy tính tiêu dùng như MacBook M4 Max trở lên. Tuy nhiên, hiện tại vẫn chưa có thông tin về việc Dessa sẽ được cung cấp rộng rãi ra công chúng, và Block đang kêu gọi các nhà nghiên cứu an ninh mạng kiểm tra mô hình này để phát hiện các trường hợp tác nhân giọng nói có thể đánh lừa người nghe.
Block, vốn hoạt động trong lĩnh vực tài chính và cung cấp giải pháp cho các doanh nghiệp nhỏ, đã có kinh nghiệm sử dụng AI giọng nói để xử lý đơn hàng thông qua Square. Với mô hình Dessa có khả năng chạy trên thiết bị, công ty có thể mở rộng hơn nữa các trải nghiệm kinh doanh và tiêu dùng với chi phí thấp hơn.
