بلوک مدل صوتی Dessa را معرفی کرد؛ گفت‌وگوی هم‌زمان روی دستگاه، فعلاً بدون دسترسی عمومی

بلوک، شرکت زیر نظر جک دورسی، مدل صوتی تازه‌ای به نام «Dessa» را معرفی کرده است که به‌جای الگوی نوبتیِ رایج در دستیارهای صوتی، می‌تواند هنگام صحبت‌کردن همچنان صدای کاربر را بشنود. این معماری که «تمام‌دوطرفه» یا full-duplex نامیده می‌شود، قرار است مکالمه را به گفت‌وگوی انسانی نزدیک‌تر کند: کاربر می‌تواند وسط پاسخ وارد شود، مدل مکث یا تغییر لحن را دریافت کند و دو طرف ناچار نیستند برای تمام‌شدن کامل جملهٔ دیگری منتظر بمانند.

گزارش منتشرشده در ۲۴ اکتبر ۲۰۲۶ می‌گوید Dessa از آزمایشگاه پژوهشی بلوک بیرون آمده، از گفتار انسانی آموزش دیده و به ادعای شرکت، خنده، مکث، گریه و تغییر آهنگ صدا را طبیعی‌تر از سامانه‌های متکی بر زنجیرهٔ متن بازتاب می‌دهد. با این حال، مدل هنوز در دسترس عموم نیست. بلوک فعلاً از پژوهشگران ایمنی دعوت کرده آن را آزمایش کنند؛ بنابراین آنچه منتشر شده بیشتر یک معرفی پژوهشی همراه با نمونه‌های نمایشی است، نه عرضهٔ عمومی یک محصول آماده.

تمام‌دوطرفه بودن چه چیزی را تغییر می‌دهد؟

بسیاری از سامانه‌های صوتی کنونی چند مرحله را پشت سر هم اجرا می‌کنند: نخست صدا را به متن تبدیل می‌کنند، سپس یک مدل زبانی پاسخ متنی می‌سازد و در پایان موتور تبدیل متن به گفتار آن پاسخ را می‌خواند. این زنجیره کار می‌کند، اما بخشی از اطلاعاتی را که در خود صدا وجود دارد—از شدت و سرعت گفتار تا تردید، مکث و هیجان—ممکن است از دست بدهد. علاوه بر آن، هر مرحله می‌تواند به تأخیر اضافه کند و گفت‌وگو را نوبتی و مصنوعی جلوه دهد.

Dessa به‌عنوان یک مدل گفتاربه‌گفتار معرفی شده است. مهم‌ترین وعدهٔ چنین مدلی این نیست که صرفاً صدایی خوش‌آهنگ‌تر تولید کند، بلکه این است که شنیدن و پاسخ‌دادن را در یک جریان پیوسته انجام دهد. در یک مکالمهٔ واقعی، مخاطب هنگام شنیدن جملهٔ طرف مقابل زمینه را می‌سازد، از لحن او سرنخ می‌گیرد و اگر لازم باشد واکنش کوتاهی نشان می‌دهد یا پرسش را قطع می‌کند. مدل تمام‌دوطرفه می‌کوشد همین هم‌پوشانی را بازسازی کند.

اما «طبیعی شنیده‌شدن» با «درست فهمیدن» یا «پاسخ درست دادن» یکسان نیست. صدایی که مکث و احساس را خوب تقلید می‌کند، هنوز ممکن است پرسش را اشتباه بفهمد، اطلاعات نادرست تولید کند یا در تشخیص زمان مناسب برای قطع‌کردن حرف کاربر خطا داشته باشد. به همین دلیل کیفیت صوت فقط یکی از لایه‌های تجربه است؛ دقت تشخیص، سرعت استدلال، کنترل مکالمه و شفافیت درباره ماشینی‌بودن طرف مقابل نیز جداگانه باید سنجیده شوند.

ادعای اجرای محلی؛ مزیت بالقوه، نه نتیجهٔ اثبات‌شده

بلوک می‌گوید Dessa با یک رک پردازندهٔ گرافیکی انویدیا آموزش دیده و می‌تواند روی رایانه‌ای در سطح مک‌بوک M4 Max یا قوی‌تر به‌صورت محلی اجرا شود. اگر این ادعا در نسخهٔ نهایی و شرایط واقعی تأیید شود، اجرای روی دستگاه می‌تواند دو مزیت مهم داشته باشد: کاهش رفت‌وبرگشت داده به سرور و کوتاه‌شدن تأخیر پاسخ. برای کاربردهایی مانند سفارش‌گیری، پشتیبانی تلفنی یا دستیار شخصی، حتی مکث‌های کوتاه می‌توانند حس مکالمه را مختل کنند.

اجرای محلی همچنین ممکن است کنترل بیشتری بر مسیر دادهٔ صوتی بدهد، اما به‌خودی‌خود تضمین حریم خصوصی نیست. هنوز باید مشخص شود چه بخش‌هایی واقعاً روی دستگاه می‌مانند، آیا برای بازیابی دانش یا انجام عمل به سرویس ابری نیاز است، دادهٔ مکالمه چگونه ثبت می‌شود و چه گزینه‌هایی برای حذف یا نگهداری آن وجود دارد. عبارت «قابل اجرا روی سخت‌افزار مصرفی» نیز محدودهٔ دقیقی ندارد: M4 Max در ردهٔ بالای لپ‌تاپ‌ها قرار می‌گیرد و اطلاعاتی درباره حافظهٔ لازم، سرعت تولید، مصرف انرژی یا کیفیت روی پیکربندی‌های ضعیف‌تر ارائه نشده است.

احساس در صدا چگونه ساخته می‌شود؟

برخی موتورهای گفتار برای هدایت خروجی از برچسب‌هایی مانند خنده، مکث یا لحن ناراحت استفاده می‌کنند. بلوک مدعی است احساس در خود مدل Dessa آموخته شده و به فرمان‌های متنیِ جداگانه وابسته نیست. نمونه‌های منتشرشده صداهایی با آهنگ و حالت‌های متفاوت نشان می‌دهند؛ از جمله گفت‌وگویی که مدل در آن خستگی یا حالت عاطفی را در لحن بازتاب می‌دهد.

در حال حاضر روشن نیست این رفتار تا چه اندازه خودکار، قابل‌کنترل و تکرارپذیر است. همچنین معلوم نیست نمونه‌ها از میان چند اجرای مختلف انتخاب شده‌اند یا در گفت‌وگوهای طولانی و پرنویز نیز همان کیفیت حفظ می‌شود. تا زمانی که دسترسی آزمایشی، روش ارزیابی و مقایسهٔ هم‌شرایط منتشر نشود، این نمونه‌ها باید نمایش توانایی تلقی شوند، نه معیار قطعی برتری نسبت به مدل‌های رقیب.

چه چیزهایی هنوز نمی‌دانیم؟

بلوک هنوز قیمت، شیوهٔ دسترسی، زمان عرضهٔ عمومی، مجوز استفاده، زبان‌های پشتیبانی‌شده یا API تجاری Dessa را اعلام نکرده است. داده‌ای مستقل درباره تأخیر، نرخ خطای فهم گفتار، پایداری در محیط شلوغ، مقاومت در برابر تقلید صدا یا عملکرد در لهجه‌های مختلف نیز در دسترس نیست. معلوم نیست مدل چه اندازه دانش عمومی دارد و در پرسش‌هایی که به بازیابی اطلاعات یا استدلال پیچیده نیاز دارند چگونه با مدل زبانی دیگری ترکیب می‌شود.

این ابهام‌ها برای ایمنی هم مهم‌اند. صدای بسیار طبیعی می‌تواند دستیار را خوشایندتر کند، اما ممکن است تشخیص انسان از ماشین را دشوارتر سازد. در تماس‌های تجاری، پشتیبانی یا خدمات مالی باید از ابتدا روشن باشد که مخاطب با سامانهٔ خودکار صحبت می‌کند. امکان تقلید، دستکاری عاطفی، سوءاستفاده در کلاهبرداری صوتی و نحوهٔ اخذ رضایت برای آموزش یا بازتولید صدا نیز باید در ارزیابی مستقل بررسی شود.

بلوک چرا سراغ مدل صوتی رفته است؟

ورود بلوک به این حوزه فقط یک پروژهٔ نمایشی هوش مصنوعی نیست. این شرکت در خدمات مالی و ابزارهای کسب‌وکار فعالیت دارد و سامانهٔ Square از قبل برای برخی فرایندهای سفارش‌گیری از هوش مصنوعی صوتی استفاده می‌کند. یک مدل محلی و کم‌تأخیر می‌تواند در آینده برای پاسخ‌گویی فروشگاه‌ها، سفارش تلفنی یا تعاملات دستگاهی به‌کار رود و هزینهٔ وابستگی به سرویس‌های بیرونی را کاهش دهد.

بااین‌حال، میان «مدل پژوهشی» و «سامانهٔ قابل اتکا برای مشتری» فاصله زیادی وجود دارد. محیط کسب‌وکار به صحت، قابلیت ثبت و بازبینی، سازگاری با قوانین حریم خصوصی و امکان تحویل مکالمه به اپراتور انسانی نیاز دارد. طبیعی‌بودن صدا اگر با پاسخ غلط یا اقدام اشتباه همراه شود، حتی می‌تواند اعتماد بیش از حد ایجاد کند.

چرا این معرفی مهم است؟

صنعت هوش مصنوعی صوتی در ماه‌های اخیر به سمت مدل‌هایی حرکت کرده که هم‌زمان گوش می‌دهند و حرف می‌زنند. مدیران این حوزه پیش‌تر گفته‌اند رسیدن به full-duplex تنها یک مرحله است و چالش بعدی، سریع‌کردن استدلال و حفظ دقت در تمام زنجیرهٔ مکالمه خواهد بود. Dessa نشانهٔ دیگری است که رقابت از «صدای طبیعی» به «تعامل طبیعی» منتقل می‌شود.

معیار واقعی موفقیت این مدل نه فقط شباهت چند کلیپ به صدای انسان، بلکه رفتار آن در مکالمهٔ طولانی، قطع و وصل شدن صدا، پرسش‌های مبهم، لهجه‌ها، محیط پرنویز و درخواست‌های حساس است. تا انتشار دسترسی عمومی و آزمون‌های مستقل، بهتر است Dessa را یک معرفی فنی امیدوارکننده اما اثبات‌نشده دانست: مدلی که ایدهٔ گفت‌وگوی هم‌زمان و اجرای محلی را جدی‌تر می‌کند، ولی هنوز برای قضاوت درباره دقت، هزینه و ایمنی آن داده کافی نداریم.