Block, MacBook Pro'da yerel çalışan konuşma modeli Dessa'yı tanıttı

Metin görmeden eğitilen ses modeli

Dessa, konuşmayı ara bir metin adımı olmadan doğrudan sesten sese işleyen tam çift yönlü bir model. Dinleme ile konuşmayı sırayla değil, aynı anda yapıyor. Şirketin tanıtım sayfasına göre model sıfırdan eğitildi. Eğitimde metin verisi ya da önceden eğitilmiş başka bir model kullanılmadı.

Yaygın sesli asistanlar bilgi için genellikle büyük bir dil modeline bağlanıyor. TechCrunch'ın aktardığına göre Block, Dessa'nın bilgisini doğrudan konuşma verisinden edindiğini söylüyor.

Block'un paylaştığı kayıtlarda model karşısındakini dinlerken onay sesleri çıkarıyor, cümle ortasında gülüyor, sözü kesildiğinde de tepki veriyor. Şirket, duygu, iğneleme ve duraklamaların modelin doğal parçası olduğunu belirtiyor. Sayfada film anıları, oyun sohbetleri ve hayat tavsiyesi gibi konularda iki kanallı demo kayıtları yer alıyor.

Donanım ve erişim durumu

Block'a göre Dessa'nın eğitimi tek bir Nvidia GB200 NVL72 sistemi üzerinde yapıldı. Şirket, modelin M4 Max ya da daha güçlü bir MacBook Pro üzerinde yerel çalıştığını açıklıyor. Çıkarımın gerçek zamandan hızlı olduğu da belirtiliyor. Parametre sayısı, bellek gereksinimi ve gecikme süresi paylaşılmadı. Donanım iddiasını doğrulayan bağımsız bir test henüz yayımlanmadı.

Model şimdilik herkese açık değil. Block, sayfasında bir bekleme listesi açtı ve erken erişimi küçük bir yapay zeka güvenliği araştırmacısı grubuna verdi. TechCrunch'a göre şirket, araştırmacılardan özellikle sesli bir ajanın insanları kandırabileceği durumları sınamalarını istiyor. Fiyat, lisans ve çıkış tarihi açıklanmadı. Desteklenen diller listelenmedi, Türkiye'de ne zaman kullanılabileceğine dair bir bilgi de yok.

Sesli yapay zeka yarışındaki yeri

Dessa, Block bünyesindeki küçük bir araştırma laboratuvarından çıktı. Laboratuvarı, Toronto merkezli derin öğrenme girişimi Dessa'nın eski üyeleri kurdu. Ekip doğrudan Jack Dorsey'ye bağlı çalışıyor, projeyi ise Ragavan Thurairatnam yönetiyor. TechCrunch'ın aktardığına göre Thurairatnam, modeli konuşma alanı için bir "GPT3 anı" olarak niteliyor.

Tam çift yönlü sesli modeller alanında OpenAI bu yıl içinde benzer yetenekte bir model yayımlamıştı. ElevenLabs v4 ve Fish Audio Drama 3 gibi araçlar ise duyguyu ses etiketleriyle yönetiyor. Block, Dessa'da duygunun etiketle değil modelin kendisiyle üretildiğini savunuyor. Şirketin Square tarafında yapay zeka destekli sesli sipariş hizmeti zaten bulunuyor.

Sesli yapay zeka araçlarının bugünkü kullanım alanları yapay zeka seslendirme rehberinde, sektördeki diğer oyuncular ise yapay zeka şirketleri sayfasında ele alınıyor.