آزمایشگاه هوش مصنوعی Block در ۲۳ اکتبر ۲۰۲۶ مدل Dessa را به‌عنوان پیش‌نمایش پژوهشی منتشر کرد. Dessa یک مدل گفتار به گفتار (speech-to-speech) از نوع full-duplex است: هم‌زمان گوش می‌دهد و حرف می‌زند. Block می‌گوید این مدل بدون استفاده از هیچ داده متنی و بدون هیچ مدل از پیش آموزش‌دیده‌ای ساخته شده و تمام دانش آن از گفتار انسانی به دست آمده است.
چرا این رویکرد متفاوت است؟#
بیشتر سامانه‌های صوتی فعلی از سه جزء زنجیره‌ای استفاده می‌کنند: تشخیص گفتار، مدل متنی، و سپس ترکیب گفتار. تیم Block استدلال می‌کند که این زنجیره، احساس، کنایه، خنده و آه را دور می‌ریزد. Dessa این سیگنال‌ها را مستقیماً می‌شنود و تولید می‌کند. در ویدیوهای نمایشی، Dessa وسط جمله می‌خندد، وقتی از آن خواسته می‌شود بلندتر می‌گوید، و با GPT-Live-1 از OpenAI مکالمه می‌کند. Block تأکید می‌کند که هیچ‌کدام از این کلیپ‌ها کارگردانی نشده‌اند.
جزئیات فنی و مقایسه با Moshi#
- محاسبات آموزش: ۱ رک NVIDIA GB200 NVL72 شامل ۷2 GPU Blackwell و ۳۶ CPU Grace. در مقابل، مدل Moshi از Kyutai با ۱,۰۱۶ GPU H100 آموزش دیده است.
- اجرای محلی: سریع‌تر از زمان واقعی روی MacBook Pro M4 Max یا بالاتر.
- معماری و پارامترها: منتشر نشده. Block فقط گفته که Dessa زبان را با صدها برابر کلمه کمتر از آنچه LLMها نیاز دارند یاد گرفته است.
- دسترسی: فهرست انتظار. بدون وزن، بدون مقاله، بدون API و بدون قیمت.
مقایسه با Moshi (۸B پارامتر، ۷ میلیون ساعت پیش‌آموزش صوتی، آزاد با مجوز CC-BY 4.0) نشان می‌دهد Dessa از نظر منابع محاسباتی بسیار سبک‌تر است، اما هنوز هیچ نمره‌ی بنچمارک منتشرشده‌ای ندارد.
خوانش تحریریه#
برای کسی که امروز ایجنت‌های صوتی می‌سازد، Dessa در وضعیت فعلی عملاً قابل استفاده نیست: بدون وزن، بدون API، بدون بنچمارک و با دسترسی فقط از طریق فهرست انتظار. اما پیام فنی آن مهم است: اگر Block واقعاً بتواند با ۷۲ GPU Blackwell مدلی بسازد که Moshi با ۱,۰۱۶ H100 ساخت، آنگاه هزینه‌ی ورود به این حوزه به‌طور جدی پایین می‌آید. این ادعا هنوز تأیید نشده، چون هیچ عدد قابل‌بررسی منتشر نشده. تا زمانی که وزن یا مقاله‌ای بیرون نیاید، Dessa یک سیگنال جهت‌دار است، نه یک ابزار.
منبع: MarkTechPost
دیدگاه‌ها
برای گذاشتن دیدگاه وارد شو
دیدگاه‌ها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.