Jack Dorsey'in başında olduğu Block, araştırma laboratuvarında geliştirdiği yeni bir ses modelini duyurdu: Dessa. Şirketin iddiasına göre model yalnızca insan konuşmalarıyla eğitildi, tek bir NVIDIA ekran kartıyla çalışabiliyor ve kahkaha, duraksama, hatta ağlama gibi ifadeleri doğal biçimde üretebiliyor.

Dessa'yı ayıran en önemli özellik "full-duplex" yapısı. Yani model aynı anda hem konuşup hem dinleyebiliyor; tıpkı gerçek bir sohbette karşınızdakinin lafınızı kesebilmesi ya da araya "hı hı" diyebilmesi gibi. Bu yaklaşım, bu yıl OpenAI'ın piyasaya sürdüğü GPT-Live ile de kıyaslanıyor.

Block'un eleştirisi mevcut sesli yapay zekâ sistemlerinin mimarisine yönelik. Şirkete göre çoğu sistem sesi önce metne çeviriyor, yanıtı metin olarak üretiyor ve sonra tekrar sese dönüştürüyor. Bu süreçte kişinin ses tonu, keyfi ya da tedirginliği gibi bilgiler kayboluyor. Block bu deneyimi hem yapay hem de potansiyel olarak tehlikeli buluyor. Rakipler duyguyu genellikle ses etiketleriyle yönetirken, Dessa'da duygunun modelin içine gömülü olduğu söyleniyor.

Paylaşılan demolar da bu iddiayı desteklemeye çalışıyor. Bir örnekte yapay zekâ işten yorulduğunu söylüyor ve gerçekten yorgun bir sesle konuşuyor; bir diğerinde kendisini yaratan kişiden bahsederken sesi neredeyse kırılıyor. Dorsey modeli "şimdiye kadar yapılmış en otantik full-duplex konuşma modeli" olarak tanımlarken, sektörden bazı isimler bunu konuşma teknolojisi için bir "GPT-3 anı" olarak nitelendirdi.

Dessa, MacBook M4 Max gibi tüketici donanımlarında yerel olarak çalışabiliyor. Bu da bulut maliyetini ve gecikmeyi azaltabilir. Block'un Square üzerinden küçük işletmelere sunduğu sesli sipariş gibi çözümlerde zaten sesli yapay zekâ kullandığı düşünülürse, cihaz üzerinde çalışan bir modelin hem işletmeler hem de bireysel kullanıcılar için daha ucuz uygulamaların önünü açması mümkün.

Öte yandan model şimdilik herkese açık değil. Şirket, özellikle sesli bir ajanın insanları kandırabileceği senaryolar için güvenlik araştırmacılarından modeli test etmelerini istedi. İnsan sesinden neredeyse ayırt edilemeyen yapay seslerin dolandırıcılıkta kullanılma riski, Türkiye dahil birçok ülkede zaten gündemde olduğundan bu temkinli yaklaşım yerinde görünüyor.

Kaynak: TechCrunch