BlockがDessaを発表：人の声だけを聞いて話すことを学んだ音声モデル

Blockの社内AI研究ラボは10月23日、全二重（フルデュプレックス）音声モデルDessaを発表した。主流の音声アシスタントとは異なる路線で、途中にテキストを介さず、音声が入って音声が出る。

ポイントは3つ。第一に、テキストなしの学習。Dessaは実際の人間の会話だけを聞いてゼロから言語を学び、テキストデータも事前学習済みモデルも使っていない。責任者はこれを音声における「GPT-3モーメント」と呼ぶ。第二に、電話のような感覚。フルデュプレックスとは話しながら聞くことで、割り込んだり相づちを打ったり、笑いや皮肉、声の震えを聞き取ったりでき、推論はリアルタイムより速い。第三に、ローカルで動く。MacBook Pro M4 Max以上でローカル実行でき、学習に使ったのはNVIDIA GB200 NVL72ラック1台だけだった。

注意点として、現時点のDessaは研究プレビューにすぎない。早期アクセスは少数のAI安全性研究者に限られ、一般向けのウェイティングリストが公開されている。Blockはパラメータ数も第三者ベンチマークも公表しておらず、デモの結果は独立した検証を待つ段階だ。

原文リンク：原文を読む、本記事は参考のための要約です。