Glasovni asistenti sve bolje prepoznaju reči i odgovaraju na pitanja, ali prirodan razgovor podrazumeva mnogo više od izgovaranja pravilnih rečenica. Pauze, promena intonacije, smeh i način na koji neko reaguje na sagovornika takođe utiču na to kako doživljavamo komunikaciju.
Upravo na tome zasniva se Dessa, eksperimentalni model koji razvija istraživački tim kompanije Block, poznate po finansijskim servisima Square i Cash App. U objavljenim demonstracijama model govori različitim ritmom, zvuči umorno, smeje se i u pojedinim trenucima deluje kao da će zaplakati.
AI koji sluša dok govori
Dessa koristi takozvanu full-duplex arhitekturu, što znači da može istovremeno da sluša sagovornika i govori. Takav pristup omogućava prirodniju razmenu, uključujući reakcije tokom razgovora, bez potrebe da korisnik svaki put završi svoju rečenicu i sačeka odgovor.
Prema objašnjenju kompanije, mnogi postojeći glasovni sistemi prvo pretvaraju govor u tekst, a zatim na osnovu njega generišu odgovor. Pritom mogu da izgube deo informacija koje se prenose tonom, tempom i drugim karakteristikama glasa. Dessa je osmišljena tako da obrađuje zvuk i generiše govorni odgovor bez obaveznog posrednog tekstualnog koraka.
Block navodi i da je model treniran isključivo na ljudskom govoru, bez tekstualnih podataka i prethodno obučenih modela. Kompanija tvrdi da emocije i nijanse govora nisu samo dodatak generisanom tekstu, već deo načina na koji model komunicira. Ipak, nije objavljeno dovoljno tehničkih detalja da bi se nezavisno procenilo kako se te karakteristike postižu.
Može da radi direktno na računaru
Jedna od zanimljivijih karakteristika D esse jeste mogućnost lokalnog izvršavanja. Block navodi da model može da radi na računaru poput MacBooka Pro sa čipom M4 Max ili snažnijem uređaju, a za njegovo treniranje korišćen je jedan NVIDIA GB200 NVL72 računarski sistem.
Lokalno izvršavanje moglo bi da omogući bržu komunikaciju i smanji potrebu za stalnim slanjem audio-podataka na udaljene servere. Ipak, sama mogućnost rada na uređaju ne znači automatski da su ispunjeni svi uslovi za zaštitu privatnosti. Za takvu procenu potrebne su i informacije o obradi, čuvanju i eventualnom slanju podataka.
Potencijalna primena nije ograničena na digitalne asistente. Prirodniji glasovni modeli mogli bi da se koriste u korisničkoj podršci, obradi porudžbina, video-igrama i drugim servisima u kojima je važna brza komunikacija. Block već koristi glasovnu AI tehnologiju u pojedinim rešenjima za poslovne korisnike, pa bi sopstveni model mogao da proširi te mogućnosti.
Prirodniji glas otvara i bezbednosna pitanja
Što glasovni AI više podseća na čoveka, to je važnije pitanje kako će korisnici prepoznati da razgovaraju sa mašinom. Ubedljiv govor može da poboljša korisničko iskustvo, ali može i da olakša obmanu, naročito u telefonskim prevarama i situacijama u kojima se od ljudi traže novac ili poverljivi podaci.
Zbog toga Block trenutno ne nudi Dessu svima. Kompanija je najavila ograničen pristup za istraživače koji se bave bezbednošću veštačke inteligencije, kako bi se model dodatno ispitao i procenili mogući rizici.
Za sada su dostupni uglavnom primeri razgovora koje je objavio sam razvojni tim. Nisu objavljeni potpuni rezultati nezavisnih testiranja, pa demonstracije ne dokazuju da će model u svim situacijama razgovarati jednako prirodno ili pouzdano.
Dessa tako predstavlja zanimljiv pravac razvoja glasovne veštačke inteligencije, u kojem fokus nije samo na tome da sistem razume šta mu govorimo, već i na tome kako to izgovaramo. Da li će takav pristup postati standard zavisiće od rezultata daljih testiranja, bezbednosti i dostupnosti modela.
