Компания Джека Дорси выпустила голосовую модель, которая не читает текст вслух, а говорит так, будто действительно чувствует. Dessa, разработанная исследовательской лабораторией Block, обучена исключительно на записях человеческой речи — без промежуточного текстового слоя, который обычно убивает живость голосовых ассистентов. Результат: модель смеётся, делает паузы, срывается на эмоциях прямо в процессе генерации речи, а не благодаря специальным тегам, как это устроено у конкурентов вроде ElevenLabs v4 или Fish Audio Drama 3.
Главный технический фокус — Dessa работает в полнодуплексном режиме: говорит и слушает одновременно, как это недавно реализовал GPT-Live от OpenAI. Но важнее другое — модель крутится локально, на одном GPU от NVIDIA, и способна работать даже на обычном потребительском Mac с чипом M4 Max. Это не облачный сервис, требующий постоянного соединения с дата-центром, а инструмент, который можно встроить прямо в устройство. Block объясняет мотивацию прямо: «Общение с текущим голосовым ИИ может откровенно раздражать. Оно превращает ваш голос в текст и выбрасывает колоссальный объём информации, которую текст передать не способен. Самые мощные ИИ в мире не слышат, что вы чувствуете. Мы считаем это нелепым, вредящим опыту и потенциально опасным».
В опубликованных примерах бот признаётся, что устал после работы — и голос действительно звучит устало. В другом ролике он говорит об эмоциональной поддержке собеседника почти срывающимся голосом. Пока публичного доступа к Dessa нет: Block ищет специалистов по безопасности для тестирования модели, явно опасаясь сценариев, где убедительный голосовой агент сможет обмануть человека на другом конце линии.
Для бизнеса перспективы очевидны. Square уже использует голосовой ИИ для приёма заказов, и собственная модель, работающая прямо на устройстве, позволит расширить подобные сценарии без затрат на облачные вычисления. Вопрос не в том, заменит ли такая технология операторов колл-центров — а в том, заметит ли собеседник разницу вообще.
Во что углубиться:
- Full-duplex голосовые модели и GPT-Live от OpenAI: как устроены ИИ, способные говорить и слушать одновременно
- Этика голосовых дипфейков: риски мошенничества с использованием эмоционально убедительного синтетического голоса
- История Square и Block: как финтех-компания Джека Дорси стала разработчиком собственных AI-моделей