SquareとCash Appを運営するBlock社が、DessaというAI音声モデルを発表した。
Blockによると、Dessaはテキストデータを一切使わず人間の音声だけで学習された、ゼロから構築された初のAIモデルだという。音声をまずテキストに変換するのではなく、Dessaはスピーチを音声として直接処理する。これにより、感情、皮肉、笑い、間をリアルタイムで拾い上げることができる。
このモデルは全二重通信に対応しており、同時に聞き取りと発話ができる。MacBook Pro M4 Max上でローカルに動作し、NVIDIA GB200 NVL72を1台使って学習された。Blockは、Dessaを好奇心、より良い人間とAIのコミュニケーションへの欲求、そして現在の音声AIが感情的な合図を無視していることへの安全性の懸念から構築したと述べている。Dessaはまだ一般公開されていない。チームはまず、予期しないリスクをモデルに対してテストするAIセキュリティ研究者を募集している。関心のある人は フォームから登録できる.
感情的な音声AIへの以前の取り組みは定着していない
複数のチームが感情豊かに聞こえる音声AIの構築を試みてきた。2024年3月、スタートアップの Hume AIがEVI（Empathic Voice Interface）を発表した。これは「感情的知能」を備えた音声AIだ。Kyutaiは2024年9月に Moshiをフォローした。LAIONの Open Empathicプロジェクト は2023年後半から、オープンソースの音声データセットを使って共感的な音声合成モデルの学習に取り組んでいる。OpenAIは 2025年6月にChatGPTの「Advanced Voice Mode」を大幅刷新し 、それ以降、より良い抑揚、間、よりリアルな共感や皮肉の表現を追加しながら改良を続けている。広告
しかし、感情的に聞こえることは、実際に感情的あるいは知的であることと同じではない。たとえそういう印象を与えたとしても。高度な音声AIにとっては、 応答しながら推論する といった能力が、声がどれだけ自然に聞こえるかよりも重要だ。なぜなら、それらは実際に回答の質に影響するからだ。
出典： Block.xyz