Dessa, Block-un insan kimi gülən və ağlayan IA səsi

Block, Jack Dorsey tərəfindən təsis edilmiş ödəniş şirkəti, adi bir səs köməkçisindən daha irəlidə olan bir şeyi təqdim etdi. Modelin adı Dessa, şirkətin tədqiqat laboratoriyasından çıxıb və əksər rəqiblərin edə bilmədiyi bir şeyi edir: həqiqətən insan kimi səslənir. Gülüşlər, fasilələr, ahlar və hətta ağlamaq üzrə olan birinin tonu ilə bu texnologiya həm heyranlıq, həm də ciddi fırıldaqçılıq narahatlıqları doğurur.

Bu yenilik, süni intellekt bazarının səsli qarşılıqlı əlaqələri daha təbii etmək üçün intensiv bir yarışma yaşadığı bir vaxtda gəlir. Lakin əksər modellər hələ də danışığı mətbəxə çevirib, məlumatı emal etdikdən sonra mətndən səsə çevirirsə, Dessa fərqli bir şey etməyə çalışır. Və bu, tənliyi əhəmiyyətli dərəcədə dəyişir.

Dessa necə işləyir və niyə fərqlidir

Süni intellektlə səs sistemlərinin əksəriyyəti proqnozlaşdırıla bilən bir yolu izləyir: siz danışırsınız, model mətni transkrib edir, məlumatı emal edir, mətndə cavab yaradır və sonra onu səsə çevirir. Bu, bir çox mərhələdən ibarət bir zəncirdir və hər biri emosional incəlikləri itirir. Sizin səsinizdəki səbirsizlik tonu, bir sualdan əvvəlki tərəddüd, incə sarkazm, bunların hamısı transkriptdə itir.

Dessa, eyni zamanda danışan və dinləyən tam-dupleks model kimi fəaliyyət göstərir, bu da bu il təqdim olunan OpenAI-nin GPT-Live-ı ilə eynidir. Block-un iddia etdiyi əsas fərq, emosiyanın xarici etiketlər və ya komandalar vasitəsilə əlavə edilməməsidir. O, insan danışığı ilə tamamilə təlim edilmiş modelin özündə yerləşdirilmişdir.

Tədqiqat komandası tərəfindən yayımlanan nümayişlərdə model fərqli səslər, ritmlər və emosional vəziyyətlər qəbul etdi. Bir söhbətdə, Dessa iş günündən sonra yorğun olduğunu söylədi və tonu həqiqətən də yorğun səslənirdi. Başqa bir söhbətdə, onu rahat hiss etdirən birisi haqqında danışarkən, səsi boğuldu, demək olar ki, qırıldı.

Laptopda işləyir, data mərkəzində deyil

Texnologiya bazarı üçün ən əhəmiyyətli məlumatlardan biri tələb olunan infrastruktur ola bilər. Dessa, tək bir NVIDIA GPU rafında təlim edilmişdir və istehlakçı kompüterində, məsələn, M4 Max çipi olan bir MacBook-da yerli olaraq işləyə bilər. Bu, diqqət çəkicidir.

Əksər irəliləmiş səs modelləri ağır bulud serverlərinə asılıdır, bu da gecikmə və yüksək xərclər yaradır. Cihazda işləyən bir model, real vaxt tətbiqləri üçün imkanlar açır, daimi internet bağlantısına ehtiyac olmadan və əməliyyat xərclərini kəskin dərəcədə azaldır. Block kimi bir şirkət üçün, kiçik bizneslər üçün ödəniş və həllər dünyasında fəaliyyət göstərir, praktiki nəticə birbaşa: ticarətçinin öz cihazında işləyən yüksək keyfiyyətli avtomatlaşdırılmış xidmət.

Block-un kiçik bizneslərə yönəlmiş qolu Square, artıq sifarişləri idarə etmək üçün səs IA istifadə edir. Dessa ilə şirkət, müştərinin bir maşınla danışdığını belə hiss etmədiyi bir təcrübəni daha yüksək bir səviyyəyə qaldıra bilər.

Həddindən artıq reallıq problemi

Və burada bu cür irəliləyişlərlə qaçılmaz olaraq müşayiət olunan dilem var. Əgər bir IA insanla ayırd edilməz şəkildə səslənirsə, fırıldaqçılıq üçün istifadə imkanları da eyni dərəcədə artır. Təcili yardım istəyən birinin emosional səsi ilə bir zəng aldığınızı düşünün, və bu səs tamamilə sintetikdir.

Block özü bu riski tanıyır. Şirkət, Dessa-ya ictimai giriş vermədi və tədqiqatçıları modelin test edilməsi üçün dəvət etdi. Açıq məqsəd, bir səs agentinin telefonun digər tərəfindəki insanları aldatmağı mümkün olan ssenariləri müəyyən etməkdir. Bu, ehtiyatlı bir tədbirdir, lakin texnologiyanın nə qədər irəlilədiyini göstərir.

Audio deepfake bazarı artıq milyardlarla ziyana səbəb olur. ABŞ-ın Federal Ticarət Komissiyasına görə, səs imitasiya edən fırıldaqlar 2023-cü ildə 2,7 milyard dollardan çox itkilərə səbəb olub. Emosional reallıq qatları əlavə edən bir model olan Dessa, aşkar etməni daha da çətinləşdirir.

Bu, IA mənzərəsi üçün nə deməkdir

Block-un səs modelləri oyununa daxil olma qərarı bazarın istiqaməti haqqında bir şey göstərir. Fintech şirkətləri, kritik xidmət funksiyaları üçün OpenAI, ElevenLabs və ya Google kimi xarici təchizatçılara asılı olmaq istəmir. Yerli olaraq işləyən mülkiyyət modelləri inkişaf etdirmək, xərcləri azaltma strategiyasıdır və eyni zamanda rəqabət fərqləndirilməsi təmin edir.

Block bu yolu izləyən ilk şirkət deyil. Lakin yalnız insan danışığı ilə təlim etmək, mətni aradan qaldırmadan, sənayenin dönüş nöqtəsi ola bilər. Model vəd etdiyi şeyi miqyasda yerinə yetirərsə, səs IA ilə maliyyə xidmətləri arasında inteqrasiya yeni bir mərhələyə daxil olur.

Hal-hazırda, Dessa hələ də bağlıdır. İctimai buraxılış üçün bir tarix yoxdur. Lakin bu səviyyədə ifadə qabiliyyəti olan bir modelin bir laptopda işlədiyi faktı, texnologiyanın hara doğru getdiyi haqqında bir hekayə danışır. Və onunla birlikdə gələn risklər haqqında.

Maliyyə sektoru üçün tənlik aydındır: IA ilə səs interfeysini ələ keçirənlər, xidmət, xərclər və istifadəçi təcrübəsində böyük bir üstünlük əldə edəcəklər. Qalan sual, tənzimləmənin sürətə yetişib-yetişməyəcəyidir.