مدل صوتی جدید شرکت Block با شبیه‌سازی دقیق احساسات و مکث‌ها، به طرز شگفت‌آوری شبیه انسان است

شرکت Block به رهبری جک دورسی از مدل صوتی جدیدی در آزمایشگاه تحقیقاتی خود رونمایی کرده است که به‌صورت محلی اجرا می‌شود و با شبیه‌سازی ظرافت‌هایی مانند خنده، مکث و بغض، به شکلی باورنکردنی شبیه انسان به نظر می‌رسد. این شرکت اعلام کرده که مدل مذکور با نام Dessa، به‌طور کامل بر پایه گفتار انسانی و تنها با استفاده از یک تراشه گرافیکی NVIDIA آموزش دیده است.

مدل صوتی Dessa یک سیستم کاملاً دوطرفه (Full-duplex) است؛ به این معنا که می‌تواند هم‌زمان صحبت کند و بشنود، دقیقاً مشابه قابلیت گفتگوی زنده در مدل GPT-Live که اوایل امسال توسط OpenAI معرفی شد. به‌طور معمول، مدل‌های صوتی برای بازیابی اطلاعات به یک مدل زبانی بزرگ متصل می‌شوند، اما به گفته Block، دانش Dessa مستقیماً از داده‌های مکالمه‌ای موجود در ساختار خود مدل سرچشمه می‌گیرد.

شرکت سازنده اشاره می‌کند که مدل‌های صوتی فعلی اغلب مصنوعی و آزاردهنده به گوش می‌رسند، چراکه در فرایند تولید گفتار به متن واسطه متکی هستند. در حال حاضر مدل‌های متعددی مانند ElevenLabs v4 یا Fish Audio Drama 3 از برچسب‌های صوتی برای تزریق احساسات به گفتار استفاده می‌کنند. با این حال، شرکت دورسی مدعی است که در مدل Dessa احساسات به‌صورت درونی و یکپارچه در معماری مدل گنجانده شده‌اند، هرچند هنوز مشخص نیست که آیا این احساسات توسط برچسب‌های کنترلی هدایت می‌شوند یا خیر.

شرکت سازنده در یک پست وبلاگی در این باره می‌نویسد: «تعامل با هوش مصنوعی صوتی فعلی می‌تواند واقعاً ناامیدکننده باشد. این سیستم‌ها صدای شما را به متن تبدیل می‌کنند و در این مسیر، حجم عظیمی از داده‌های عاطفی را که متن به‌تنهایی قادر به حمل آن نیست دور می‌ریزند. قدرتمندترین سیستم‌های هوش مصنوعی جهان توانایی شنیدن احساس واقعی شما را ندارند. ما معتقدیم این وضعیت غیرمنطقی است، تجربه کاربری را به‌شدت تضعیف می‌کند و حتی می‌تواند خطرات بالقوه‌ای به‌همراه داشته باشد.»

پژوهشگران این شرکت نمونه‌های متعددی از مکالمات انجام‌شده با Dessa را به اشتراک گذاشته‌اند که در آن‌ها این عامل هوشمند با صداها، ریتم‌ها و احساسات گوناگون به گفتگو می‌پردازد. برای مثال، در یکی از این گفتگوها چت‌بات می‌گوید از کار روزانه خسته شده است و لحن صدای او در همان لحظه کاملاً خسته به گوش می‌رسد.

در نمونه‌ای دیگر، این هوش مصنوعی درباره فردی صحبت می‌کند که مایه آرامش او بوده است و حین صحبت، لحنی عمیقاً احساسی و بغض‌آلود به خود می‌گیرد، به طوری که گویی در آستانه گریستن قرار دارد.

یکی دیگر از نمونه‌ها عضوی از تیم Block را نشان می‌دهد که همراه با این دستیار هوشمند، مشغول انجام یک بازی صوتی است.

این شرکت تأکید کرده است که مدل فوق می‌تواند به‌صورت محلی روی رایانه‌های شخصی استاندارد مانند مک‌بوک M4 Max یا دستگاه‌های قدرتمندتر اجرا شود. با وجود این، در حال حاضر امکان دسترسی عمومی به Dessa وجود ندارد و شرکت Block از محققان حوزه ایمنی دعوت کرده است تا این مدل را ارزیابی کنند. این آزمایش‌ها احتمالاً با هدف بررسی سناریوهایی صورت می‌گیرد که در آن‌ها یک عامل صوتی ممکن است افراد را در پشت خط فریب دهد.

فعالیت اصلی شرکت Block در حوزه فناوری‌های مالی و ارائه خدمات به کسب‌وکارهای کوچک متمرکز است. در همین راستا، سرویس اسکوئر (Square) در حال حاضر از هوش مصنوعی صوتی برای ثبت سفارش‌ها استفاده می‌کند. با این حال، در اختیار داشتن یک مدل صوتی اختصاصی که به‌صورت محلی روی خود دستگاه اجرا شود، به Block اجازه می‌دهد تجربیات متنوع‌تر و بهتری را برای مشاغل و مصرف‌کنندگان، با هزینه‌ای به مراتب پایین‌تر فراهم کند.