Вы когда-нибудь разговаривали с роботом и ловили себя на мысли: «Ну неестественно же!»? Так вот, забудьте. Компания Block, которую основал Джек Дорси, выкатила Dessa — голосовую модель, от которой реально мурашки.

Она смеётся. Вздыхает. Делает паузы. Иногда звучит так, будто ей грустно или она устала после работы. И всё это — локально, без облаков.

Что за зверь?

Dessa — это full-duplex модель. Проще говоря, она умеет говорить и слушать одновременно. Как живой собеседник, который не ждёт, пока вы закончите мысль, а поддакивает и реагирует на лету. OpenAI недавно показала нечто похожее в GPT-Live, но у Block своя фишка.

Обычно голосовые ассистенты работают так: сначала ваша речь превращается в текст, потом этот текст скрмлится языковой модели, потом генерируется ответ. И на этом пути теряется тонна информации — интонации, эмоции, дрожь в голосе. В Block прямо говорят: «Это тупо и даже опасно». И они правы. Попробуй пойми по тексту, что человек вот-вот расплачется.

Эмоции без костылей

Многие модели, как ElevenLabs v4 или Fish Audio Drama 3, используют специальные теги для эмоций. Что-то вроде: [sad] «Мне грустно» [/sad]. Dessa же утверждает, что эмоции встроены в саму архитектуру. Никаких тегов — просто человеческая речь, на которой модель обучалась.

И знаете, примеры впечатляют. В одной из демок бот говорит, что устал от работы, и звучит действительно уставшим. В другой — почти срывается от переизбытка чувств. Жутковато? Ещё как. Но и завораживает.

Кстати, звучит это не как синтезатор из дешёвого фильма. Скорее как друг по видеозвонку, у которого хороший микрофон и лёгкая простуда.

Железо? Да почти домашнее

Block заявляет: Dessa может работать на MacBook M4 Max. Не нужен серверный кластер. Один графический чип — и пожалуйста. Правда, сейчас модель не отдают в открытый доступ. Компания зовёт safety-исследователей, чтобы те попробовали её обмануть. И правильно: если голосовой агент может звучать как живой человек, надо сначала понять, как защитить людей от разводов.

Зачем это Block? Всё просто. Square, их платёжный сервис, уже использует голосовой ИИ для заказов. А своя модель, работающая на устройстве, — это дешевле и быстрее.

Если это «момент GPT-3 для речи», как пишут сами разработчики, то скоро разговоры с машинами перестанут быть чем-то из научной фантастики. Они просто станут… разговорами.