Dessa, il modello vocale di Block addestrato solo sulla voce umana
Block, l'azienda di Jack Dorsey che possiede Square e Cash App, ha presentato Dessa, un modello di intelligenza artificiale vocale addestrato esclusivamente su conversazioni umane, senza alcun dato testuale. Nelle dimostrazioni pubblicate dall'azienda la voce ride, esita, suona stanca e in un caso sembra commuoversi.
- Dessa è addestrato solo su parlato umano, senza dati testuali.
- Ascolta e parla contemporaneamente e gira in locale su un MacBook Pro M4 Max.
- Block sostiene che l'emozione sia incorporata nel modello, non aggiunta con etichette.
Dalla voce alla voce, senza passare dal testo
La maggior parte degli assistenti vocali funziona in tre passaggi: trasforma il parlato in testo, lo dà in pasto a un modello linguistico e poi riconverte la risposta in audio. Block sostiene che proprio questo passaggio intermedio sia il problema, perché il testo butta via tutto ciò che la voce porta con sé: il tono, le esitazioni, l'ironia.
Dessa è descritto dall'azienda come un vero modello speech-to-speech, cioè da voce a voce: elabora direttamente l'audio e tutto ciò che sa proviene dalle conversazioni su cui è stato addestrato, non da una base di conoscenza testuale. È inoltre full-duplex, termine che indica la capacità di ascoltare e parlare nello stesso momento, come accade tra due persone che si interrompono a vicenda. Secondo TechCrunch, una caratteristica simile si ritrova nel modello GPT-Live presentato quest'anno da OpenAI.
Un altro elemento tecnico rilevante riguarda le emozioni. Modelli come ElevenLabs v4 o Fish Audio Drama 3 usano delle etichette, piccole istruzioni che indicano al sistema quando sembrare allegro o triste. Block afferma invece che l'emozione sia incorporata nel modello stesso, anche se TechCrunch osserva che non è chiaro se dietro ci sia comunque una forma di controllo tramite etichette.
Esempi, limiti e motivazioni
Il team di Dessa, guidato da Ragavan Thurairatnam, ha pubblicato diverse registrazioni: una chiacchierata sui film di Christopher Nolan, un gioco a indovinelli, un racconto di un viaggio a sorpresa a Parigi a cui il modello risponde con quella che il sito descrive come gratitudine commossa, e un confronto diretto con il modello vocale di OpenAI. The Verge nota che alcune conversazioni risultano naturali, altre goffe o straniante: in una il modello scambia l'interlocutore per una persona di nome Ronaldo.
Il modello è stato addestrato su un singolo rack di GPU NVIDIA GB200 NVL72 e, secondo l'azienda, può funzionare in locale su un computer di fascia alta come un MacBook Pro M4 Max o superiore. Le motivazioni dichiarate dal team sono tre: curiosità, una comunicazione migliore tra umani e macchine e la sicurezza, perché un'IA sorda alle emozioni potrebbe non accorgersi che una persona sta male.
Perché conta
Block non è un laboratorio di ricerca qualunque: vende strumenti di pagamento e gestione a piccole imprese, e Square già usa voci sintetiche per prendere ordini. Un modello che gira sul dispositivo, senza inviare l'audio a server esterni, abbassa i costi e può migliorare la privacy, aprendo la strada a call center, casse automatiche e assistenti domestici molto più naturali, anche in Italia.
Resta però una distinzione che The Decoder sottolinea: sembrare emotivi non significa esserlo, né essere più intelligenti. Per un assistente vocale conta soprattutto la qualità del ragionamento, non solo il realismo del timbro.
