Block trình làng Dessa: Mô hình AI giọng nói thuần túy chỉ huấn luyện từ hội thoại con người

Block, công ty công nghệ của Jack Dorsey, vừa chính thức công bố Dessa — một mô hình trí tuệ nhân tạo được huấn luyện hoàn toàn bằng giọng nói tự nhiên của con người thay vì dữ liệu văn bản. Đứng đầu bởi Ragavan Thurairatnam, đội ngũ phát triển đã xây dựng hệ thống này "từ con số 0 chỉ dựa trên các cuộc hội thoại của con người", nhằm tạo ra một giao diện giọng nói tự nhiên hơn và có khả năng phản hồi cảm xúc tốt hơn.

Phương pháp Speech-to-Speech thuần túy

Khác với các trợ lý ảo truyền thống vốn chuyển đổi lời nói thành văn bản, xử lý văn bản rồi mới tổng hợp lại thành giọng nói nhân tạo, Dessa là một mô hình Speech-to-Speech (giọng nói sang giọng nói) đúng nghĩa. Mọi tri thức mà hệ thống sở hữu đều được học trực tiếp từ giọng nói con người. Đội ngũ phát triển ví triết lý huấn luyện này giống như quá trình học nói của trẻ nhỏ: trẻ em học giao tiếp bằng tai và miệng trước khi biết đến sự tồn tại của chữ viết.

Về mặt kỹ thuật, mô hình này có khả năng vận hành cục bộ (local) trên các phần cứng thương mại cao cấp, đòi hỏi cấu hình tối thiểu là Apple MacBook Pro trang bị chip M4 Max trở lên.

Tương tác chân thực cùng những khoảnh khắc bất ngờ

Các bản demo được đăng tải trên website của Dessa đã cho thấy cả độ chân thực lẫn những khoảnh khắc đôi khi vụng về của mô hình. Trong các đoạn âm thanh do nhóm chia sẻ, Dessa tham gia vào trò chơi đoán chữ tương tác và thảo luận về điện ảnh. Đáng chú ý có cuộc trò chuyện về đạo diễn Christopher Nolan, nơi mô hình này bất ngờ "lái" câu chuyện sang các bộ phim Superman của Bryan Singer.

Trong một đoạn hội thoại khác, khi người dùng nói với Dessa rằng sẽ đưa nó đi một chuyến du lịch bất ngờ tới Paris, AI này đã phản hồi bằng sự xúc động ngấn lệ — theo mô tả của nhóm phát triển. Dẫu vậy, mô hình vẫn cho thấy những hành vi khó lường: trong một tương tác do Thurairatnam thử nghiệm, ban đầu Dessa đã nhận lầm người nói là một ai đó tên "Ronaldo".

Trang web cũng đăng tải một đoạn đối thoại giữa Dessa và mô hình giọng nói GPT-Live-1 của OpenAI, trong đó Dessa thể hiện ngắt nghỉ và nhịp điệu trò chuyện tự nhiên vượt trội.

Giải quyết bài toán cảm xúc và an toàn trong AI giọng nói

Nhóm phát triển Dessa tại Block đưa ra ba động lực chính đằng sau dự án: sự tò mò, nâng cao mức độ thấu hiểu giữa con người và AI, cùng yếu tố an toàn.

Theo các nhà phát triển, các công cụ AI giọng nói hiện tại đang "phẳng hóa" cuộc hội thoại của con người thành dạng văn bản, làm mất đi bối cảnh quan trọng về nhịp điệu cũng như cảm xúc truyền tải. Họ chỉ ra rằng các mô hình hiện nay gần như "mù" trước các tín hiệu cảm xúc. Điều này tạo ra rủi ro an toàn lớn khi người dùng rơi vào trạng thái hoảng loạn hoặc đau đớn — những tín hiệu mà một hệ thống giọng nói dựa trên văn bản thông thường hoàn toàn không thể phát hiện.

Block cho biết trước mắt sẽ mở quyền truy cập sớm cho một nhóm nhỏ các nhà nghiên cứu an toàn AI để tiến hành các đánh giá chuyên sâu hơn.