Dessa — это полнодуплексная модель, поэтому она способна говорить и слушать одновременно, как и GPT-Live, выпущенная OpenAI в июле этого года. Обычно речевые модели используются в паре с большими языковыми моделями, которые отвечают за поиск и предоставление информации. В Block заявили, что знания Dessa основаны на имеющихся у неё данных о разговорах.
Компания отметила, что существующие модели могут звучать неестественно и раздражающе, поскольку в процессе генерации речи используется текст. ElevenLabs v4, Fish Audio Drama 3 и многие другие модели используют голосовые теги для управления эмоциональностью речи. Block утверждает, что эмоции заложены в саму Dessa. Однако неясно, управляются ли эти эмоции какими-либо тегами.
«Взаимодействие с современным голосовым ИИ может быть просто ужасным. Он превращает ваш голос в текст и отбрасывает невероятное количество информации, которую невозможно передать одним лишь только текстом. Самые мощные ИИ в мире не могут услышать, что вы чувствуете. Мы считаем это абсурдным, поскольку такой подход ухудшает пользовательский опыт и потенциально опасен», — сообщили в Block.
Исследователи компании опубликовали ряд примеров разговоров с Dessa, в которых модель имела разные голоса, интонации и эмоции. В одном из примеров чат-бот заявил, что он устал от работы, а его голос в этот момент действительно звучал утомлённым:
В другом примере речь бот звучала эмоционально, словно она сейчас расплачется. В ещё одном примере сотрудница команды Block играет с Dessa в игру на угадывание — первую загадку голосовой помощник отгадал сразу.
Компания указала, что модель может работать локально на потребительском оборудовании, таком как MacBook M4 Max или более производительном. Однако в настоящее время публичный доступ к Dessa отсутствует. Block призвала исследователей в области безопасности протестировать модель.
