Block revela Dessa, uma IA de fala para fala pura treinada apenas em conversas humanas
A Block, de Jack Dorsey, apresentou o Dessa, um modelo experimental de IA de fala para fala treinado inteiramente em áudio falado sem texto, desenvolvido para entender melhor a emoção e o ritmo vocal.
A empresa de tecnologia de Jack Dorsey, Block, anunciou o Dessa, um modelo de inteligência artificial treinado inteiramente em fala humana em vez de texto escrito. Liderada por Ragavan Thurairatnam, a equipe de desenvolvimento construiu o sistema "do zero com nada além de conversas humanas", em um esforço para criar uma interface de voz mais natural e emocionalmente responsiva.
Uma abordagem de fala para fala pura
Ao contrário dos assistentes de voz tradicionais que convertem palavras faladas em texto, processam o texto e convertem a resposta de volta em fala sintetizada, o Dessa é um modelo verdadeiro de fala para fala. Tudo o que o sistema sabe foi aprendido diretamente da fala humana. A equipe comparou essa filosofia de treinamento ao desenvolvimento infantil, destacando que os bebês aprendem a falar sem nunca ter visto texto escrito.
No lado técnico, o modelo é capaz de rodar localmente em hardware de consumo de alto desempenho, exigindo um Apple MacBook Pro com chip M4 Max ou superior.
Interações impressionantes e nuances emocionais
Demonstrações publicadas no site do Dessa destacam tanto o realismo quanto as ocasionais estranhezas do modelo. Em clipes de áudio compartilhados pela equipe, o Dessa participa de jogos de adivinhação dinâmicos e discute cinema, incluindo uma conversa sobre o cineasta Christopher Nolan na qual o modelo entra em uma divagação inesperada sobre os filmes do Superman de Bryan Singer.
Em outra interação compartilhada, quando um usuário diz ao Dessa que vai levá-lo em uma viagem surpresa a Paris, a IA responde com o que a equipe descreve como uma gratidão emocionada. No entanto, o modelo ainda exibe comportamentos imprevisíveis — em uma conversa liderada por Thurairatnam, o Dessa inicialmente confundiu o interlocutor com alguém chamado "Ronaldo".
O site também apresenta um diálogo entre o Dessa e o modelo de voz GPT-Live-1 da OpenAI, no qual o Dessa demonstra um ritmo de conversa distintamente mais natural.
Abordando emoção e segurança em IAs de voz
A equipe do Dessa na Block citou três motivações principais por trás do projeto: curiosidade, melhoria da compreensão entre humanos e IA, e segurança.
Segundo os desenvolvedores, as ferramentas atuais de IA de voz achatam o diálogo humano em texto, perdendo um contexto crucial relativo ao ritmo da fala e à emoção vocal. Eles destacaram que os modelos atuais permanecem amplamente cegos a sinais emocionais, criando riscos de segurança quando um usuário pode estar em sofrimento ou dor que um sistema de voz baseado em texto padrão não consegue detectar.
A Block anunciou que inicialmente fornecerá acesso antecipado ao Dessa a um pequeno grupo de pesquisadores de segurança em IA para realizar avaliações adicionais.
