دسا؛ مدل صوتی تازهی بلاک که صدایش عجیب شبیه انسان است
شرکت بلاک (Block)، شرکت فینتک به رهبری جک دورسی، از آزمایشگاه تحقیقاتی خود مدل صوتی تازهای به نام «دسا» (Dessa) معرفی کرده است که به گفتهی تککرانچ، صدایش بهطرز نگرانکنندهای شبیه انسان است. این خبر، روز شنبه ۲۴ اکتبر ۲۰۲۶ منتشر شد و توجه زیادی را در جامعهی هوش مصنوعی صوتی به خود جلب کرده است.
زمینه و پسزمینه مدل صوتی هوش مصنوعی بلاک
برخلاف بسیاری از دستیارهای صوتی رایج که معمولاً روی یک مدل زبانی بزرگ (LLM) جداگانه سوار میشوند و خروجی متنی آن را به گفتار تبدیل میکنند، دسا طراحی متفاوتی دارد. بلاک میگوید این مدل، دانش خود را مستقیماً از دادههای گفتوگوی واقعی انسانی میگیرد، نه از یک مدل زبانی واسط. به بیان دیگر، دسا طوری ساخته شده که گفتار را بهعنوان یک رسانهی مستقل درک کند، نه صرفاً یک خروجی نوشتاری که با صدا خوانده میشود.
یکی از ویژگیهای برجستهی این مدل صوتی هوش مصنوعی بلاک، قابلیت «دوطرفهی کامل» یا full-duplex است؛ یعنی مدل میتواند همزمان صحبت کند و بشنود، دقیقاً مثل یک گفتوگوی طبیعی انسانی که در آن افراد میتوانند حرف یکدیگر را قطع کنند یا واکنش لحظهای نشان دهند. این مدل همچنین قادر است طیفی از حالات احساسی از جمله خنده، مکثهای طبیعی و حتی گریه را در گفتارش بازتولید کند.
تحلیل: چرا دسا نسبت به رقبا متفاوت است؟
بلاک ادعا میکند دسا بهطور کامل بر پایهی گفتار انسانی و با استفاده از تنها یک رک پردازشی انویدیا آموزش دیده است؛ رقمی که در مقایسه با خوشههای عظیم پردازشی مورد استفادهی شرکتهای بزرگ هوش مصنوعی برای آموزش مدلهای زبانی، بهطور قابلتوجهی کوچکتر است. این موضوع میتواند نشانهای از یک رویکرد کارآمدتر و کمهزینهتر برای ساخت هوش مصنوعی صوتی باشد؛ رویکردی که اگر درست باشد، میتواند رقابت در این حوزه را از انحصار شرکتهای دارای زیرساخت عظیم خارج کند.
یکی دیگر از نکات مهم، امکان اجرای محلی (on-device) این مدل روی سختافزارهای مصرفی است؛ بلاک بهطور مشخص از مکبوکهای مجهز به تراشهی M4 Max یا بالاتر بهعنوان حداقل سختافزار مورد نیاز نام میبرد. این یعنی کاربران میتوانند بدون اتکا به سرورهای ابری، یک دستیار صوتی پیچیده را مستقیماً روی دستگاه شخصی خود اجرا کنند؛ موضوعی که هم از نظر حریم خصوصی و هم از نظر هزینه، جذابیت زیادی برای کسبوکارهای کوچک دارد.
بلاک همچنین تأکید میکند که برخلاف بسیاری از رقبا که برای کنترل لحن احساسی گفتار از «تگهای صوتی» (voice tags) در متن ورودی استفاده میکنند، احساس در دسا بهصورت ذاتی در خود مدل تعبیه شده است؛ گرچه هنوز مشخص نیست آیا این مدل بهطور کامل بدون استفاده از چنین تگهایی کار میکند یا نه. استدلال بلاک این است که تبدیل گفتار به متن و دوباره بازگرداندنش به گفتار، بخشی از اطلاعات احساسی موجود در صدای اصلی را از بین میبرد؛ و دسا با حذف این مرحلهی واسط، تلاش میکند این اطلاعات را حفظ کند.
این مدل هنوز بهصورت عمومی در دسترس نیست. بلاک از پژوهشگران حوزهی ایمنی هوش مصنوعی خواسته تا آن را آزمایش کنند، بهویژه از این منظر که آیا یک عامل صوتی هوش مصنوعی میتواند مردم را فریب دهد یا نه؛ نگرانیای که با توجه به شباهت فوقالعادهی صدای این مدل به انسان، کاملاً بهجا به نظر میرسد. از آنجا که بلاک از قبل در حوزهی هوش مصنوعی صوتی برای سفارشگیری در پلتفرم اسکوئر (Square) فعال بوده، به نظر میرسد هدف نهایی شرکت، استفاده از مدلهایی مثل دسا برای ارائهی خدمات صوتی ارزانتر و در عین حال طبیعیتر به کسبوکارهای کوچک باشد؛ از رزرو تلفنی گرفته تا پشتیبانی مشتری.
اگر دسا واقعاً بتواند وعدههایش را عملی کند، میتواند نقطهی عطفی در صنعت دستیارهای صوتی باشد؛ جایی که مرز بین گفتوگو با یک انسان و یک هوش مصنوعی هر روز محوتر میشود. اما همین محو شدن مرز، دقیقاً همان چیزی است که نگرانیهای اخلاقی و امنیتی پیرامون این فناوری را تشدید میکند و باید پیش از عرضهی عمومی بهدقت بررسی شود.
مدل صوتی هوش مصنوعی بلاک و آیندهی خدمات صوتی کسبوکارها
برای درک اهمیت واقعی این خبر، باید به جایگاه بلاک در اکوسیستم فینتک توجه کرد. بلاک، که پیشتر با نام اسکوئر شناخته میشد، سالها است که ابزارهای پرداخت و مدیریت کسبوکار را به میلیونها کسبوکار کوچک در سراسر جهان عرضه میکند. ورود این شرکت به حوزهی مدل صوتی هوش مصنوعی بلاک، صرفاً یک پروژهی تحقیقاتی مجزا نیست، بلکه بخشی از یک استراتژی بزرگتر برای تبدیل شدن به یک ارائهدهندهی کامل زیرساخت کسبوکارهای کوچک بهشمار میرود؛ از پرداخت گرفته تا تجربهی مشتری.
اگر دسا بتواند هزینهی ساخت یک دستیار صوتی طبیعی و قابل اعتماد را بهطور قابلتوجهی کاهش دهد -که امکان اجرای محلی روی سختافزار مصرفی دقیقاً همین هدف را دنبال میکند- آنگاه کسبوکارهای کوچکی که تا امروز توان مالی برای ساخت یک سیستم پاسخگویی تلفنی پیشرفته را نداشتند، میتوانند به این فناوری دسترسی پیدا کنند. این موضوع بهویژه برای کسبوکارهایی که حجم بالایی از تماسهای تلفنی تکراری -مثل رزرو وقت یا پاسخ به سؤالات پرتکرار- دارند، میتواند تغییر قابلتوجهی در هزینهی عملیاتی ایجاد کند.
با این حال، همان ویژگیای که دسا را جذاب میکند -یعنی شباهت فوقالعادهاش به صدای انسان- بزرگترین چالش آن هم هست. وقتی مشتری نمیتواند بهسادگی تشخیص دهد که طرف مقابلش انسان است یا هوش مصنوعی، سؤالات مهمی دربارهی شفافیت و رضایت آگاهانه مطرح میشود. در بسیاری از کشورها، از جمله در برخی ایالتهای آمریکا، قوانینی در حال شکلگیری است که شرکتها را ملزم میکند در تماسهای تلفنی هوش مصنوعی، بهوضوح هویت غیرانسانی سیستم را اعلام کنند. موفقیت تجاری نهایی دسا، احتمالاً نه فقط به کیفیت فنی آن، بلکه به نحوهی برخورد بلاک با این مسائل شفافیت و اعتماد هم بستگی خواهد داشت.
در مجموع، معرفی این مدل صوتی هوش مصنوعی بلاک را باید در کنار موج بزرگتر رقابت در فضای صدای مصنوعی دید؛ رقابتی که در آن غولهایی مثل اوپنایآی، گوگل و الونلبز هم بهطور فعال در حال عرضهی مدلهای صوتی تازه هستند. آنچه دسا را از این میان متمایز میکند، تمرکز آن روی اجرای محلی و کمهزینه بهجای وابستگی کامل به زیرساخت ابری است؛ رویکردی که اگر به بازار برسد، میتواند معیار جدیدی برای ارزیابی مدلهای صوتی هوش مصنوعی در میان توسعهدهندگان و کسبوکارهای کوچک تعیین کند.
تا زمانی که دسا بهطور رسمی عرضه شود، باید منتظر ماند تا ببینیم آیا این مدل در شرایط واقعی -با نویز محیطی، لهجههای گوناگون و گفتوگوهای پیچیدهی چندنفره- همان کیفیتی را که در دموهای اولیه نشان داده، حفظ میکند یا نه. تجربهی صنعت هوش مصنوعی صوتی نشان داده که فاصلهی میان یک دموی جذاب و یک محصول قابل اعتماد برای استفادهی روزمره، همیشه بیشتر از آن چیزی است که در نگاه اول به نظر میرسد.
منبع: TechCrunch