پیام جوان:
شرکت بلاک (Block)، متعلق به جک دورسی (Jack Dorsey)، مدل صوتی «دسا» (Dessa) را از آزمایشگاه پژوهشی خود منتشر کرد. بلاک می‌گوید دسا به‌صورت محلی اجرا می‌شود و «کاملاً روی گفتار انسان و یک رک GPU انویدیا» آموزش دیده است. دسا مدلی «تمام‌دوطرفه» (full-duplex) است؛ یعنی هم‌زمان می‌تواند صحبت کند و گوش بدهد. تک‌کرانچ آن را با مدل GPT-Live از OpenAI که اوایل ۲۰۲۶ عرضه شده مقایسه می‌کند.
بلاک می‌گوید مدل‌های صوتی کنونی ممکن است غیرطبیعی به‌نظر برسند، چون متن در زنجیره‌ی آنها تولید گفتار را هدایت می‌کند. به گفته‌ی بلاک، دانش دسا از داده‌های مکالمه‌ای‌اش می‌آید، نه یک مدل زبانی جدا. تک‌کرانچ می‌گوید ElevenLabs v4 و Fish Audio Drama 3 از «برچسب‌های صوتی» برای کنترل احساس استفاده می‌کنند، در حالی که بلاک می‌گوید دسا احساس را «ذاتی» دارد؛ روشن نیست برچسب‌ها آن را هدایت می‌کنند یا نه.
وبلاگ بلاک نوشته: «تعامل با هوش مصنوعی صوتی کنونی می‌تواند واقعاً افتضاح باشد.» دورسی در توییت ۲۳ اکتبر ۲۰۲۶ نوشت: «ما معتقدیم صدا طبیعی‌ترین راه تعامل با هوش است.» راگاوان تورایراتنم (Ragavan Thurairatnam) دسا را «لحظه‌ی GPT3 برای گفتار» خواند.
نمونه‌های ارائه‌شده: محقق آیدین پولات (Aydin Polat) کلیپی گذاشت که ربات درباره‌ی فردی که او را راحت می‌کند حرف می‌زند و احساساتی و نزدیک به بغض به‌نظر می‌رسد. در کلیپ دیگر، کارا از اعضای تیم با دسا بازی حدس می‌زند و مدل پاسخ اول را فوراً و دومی را کمی بعد درست گفت. در نمونه‌ی دیگر، ربات گفت از کار خسته است و خسته هم به‌نظر می‌رسید.
بلاک می‌گوید دسا روی رایانه‌ی مصرفی مثل مک‌بوک M4 Max یا بهتر اجرا می‌شود. هنوز دسترسی عمومی نیست و بلاک از پژوهشگران ایمنی خواسته آن را آزمایش کنند، احتمالاً برای حالت‌هایی که عامل صوتی بتواند مردم را فریب دهد. بلاک بر امور مالی تمرکز دارد و به کسب‌وکارهای کوچک می‌فروشد؛ اسکوئر (Square) هم اکنون برای سفارش‌دهی از هوش مصنوعی صوتی استفاده می‌کند. گزارش اندازه‌ی مدل، معماری، معیارها، زبان‌ها، قیمت، مجوز و زمان عرضه را اعلام نکرده است.
منبع: تک‌کرانچ (TechCrunch)، گزارش ۲۴ اکتبر ۲۰۲۶ نوشته‌ی Ivan Mehta
