نموذج الصوت الجديد لبولك يبدو إنسانيًا بشكل مخيف

تم إصدار نموذج صوت جديد من مختبر أبحاث الشركة، الذي يتم تشغيله محليًا، ويبدو شكله إنساني بشكل غريب مع تعابير مثل الضحك والانتظار والبكاء. وقالت الشركة إن النموذج، المسمى “ديسا”， تم تدريبه بالكامل على الكلام البشري وجهاز NVIDIA GPU واحد فقط.

ديسا هي نموذج ذو طبيعة مزدوجة، مما يعني أنها يمكنها التحدث والاستماع في نفس الوقت، تمامًا مثل نموذج GPT-Live الذي أصدره OpenAI هذا العام. عادةً، يتم دمج نماذج الكلام مع نموذج لغوي كبير لتحضير المعرفة. وقال بلوك أن المعرفة التي يحتفظ بها ديسا تأتي من البيانات الحوارية التي تمتلكها.

قال بلوك إن النماذج الحالية تبدو غير طبيعية ومللّة، لأنها تحتوي على نصوص في دورة التشغيل التي تدفع عملية إنتاج الكلام. العديد من النماذج مثل ElevenLabs v4 أو Fish Audio Drama 3 تستخدم علامات صوتية لتحريك المشاعر في إنتاج الكلام. تدعي شركة دورسي أن المشاعر مُدرجة في نموذجها، لكن غير واضح ما إذا كانت هذه المشاعر تُتحكم بواسطة نوع من العلامات.

“التفاعل مع الذكاء الاصطناعي الصوتي الحالي فقط أمر مزعج. فهو يحول صوتك إلى نص، ويتخلص من كمية هائلة من المعلومات التي لا يمكن للنص وحده حملها. أقوى أنظمة الذكاء الاصطناعي في العالم لا تستطيع سماع مشاعرك. نعتقد أن هذا أمر سخيف، يؤدي إلى تجربة أسوأ، وقد يكون خطيرًا أيضًا”، كما قالت الشركة في مقال مدونة.

نشر الباحثون في الشركة عدة أمثلة على المحادثات مع ديسا، حيث كان للروبوت صوت مختلف وطريقة كلام وانفعالات مختلفة. على سبيل المثال، في المحادثة، قال الروبوت إنه متعب من العمل، وفي تلك اللحظة بدا صوته متعبًا.

في المثال أدناه، كان الروبوت يتحدث عن الشخص الذي يجعله يشعر بالراحة، وكان صوته عاطفيًا وتقريبًا على وشك الانهيار.

يُظهر في مقطع آخر عضو في فريق Block يلعب لعبة مع المساعد الصوتي.

قالت الشركة إن النموذج يمكن تشغيله محليًا على جهاز كمبيوتر من الفئة الاستهلاكية مثل MacBook M4 Max أو أحدث منه. ومع ذلك، لا يوجد وصول عام إلى Dessa في الوقت الحالي، وقد أطلق Block دعوة للباحثين في مجال الأمان لاختبار النموذج. ومن المحتمل أن يتم اختبار الحالات التي قد يجعل فيها عامل الصوت الأشخاص يضللونهم.

تعمل الشركة في مجال التمويل وبيع حلولها للشركات الصغيرة. تستخدم شركة سكوير بالفعل ذكاء الأصالة الصوتي لتعامل الطلبات. ولكن باستخدام نموذج الصوت الخاص بها الذي يمكن تشغيله على الجهاز، يمكنها توفير الكثير من تجارب الأعمال والمستهلكين بتكلفة أقل.