Компания Block, основанная Джеком Дорси, представила голосовую ИИ-модель Dessa. Её разработкой занимается одноимённая исследовательская команда внутри компании. По словам разработчиков, модель обучалась исключительно на записях живой человеческой речи — без текстовых данных и предобученных языковых моделей.

Dessa отличается от привычных чат-ботов тем, что не является текстовой LLM с функцией озвучивания. Это полноценная модель «речь — речь»: она получает аудио на входе и сразу генерирует аудио на выходе, не переводя разговор в текст.

Модель работает в полнодуплексном режиме: она может одновременно слушать собеседника и говорить, реагировать на перебивания, паузы, смех, смену интонации и эмоциональную окраску речи. В демонстрационных записях Dessa звучит заметно естественнее многих существующих голосовых ассистентов.

Block также показала сравнение Dessa с голосовой моделью OpenAI GPT-Live-1 и опубликовала примеры разговоров ИИ с живыми людьми. В них модель распознаёт эмоции, умеет перебивать собеседника и вовремя возвращаться к диалогу.

По заявлениям компании, Dessa способна работать локально на компьютерах уровня MacBook Pro с чипом M4 Max или мощнее. Пока доступ к модели ограничен: Block проводит предварительное тестирование и называет Dessa исследовательским превью, а не готовым публичным продуктом.

«Мы верим, что голос — самый естественный способ взаимодействия с интеллектом, поэтому мы создали Dessa — самую аутентичную модель речи в полнодуплексном режиме. Общение с ней ощущается как разговор с человеком — полным эмоций, нюансов, пауз и естественного ритма», — отметил Джек Дорси.