شرکت بلاک، متعلق به جک دورسی، از مدل صوتی جدیدی به نام Dessa رونمایی کرده است که با هدف طبیعیتر کردن مکالمه با هوش مصنوعی توسعه یافته

شرکت بلاک، متعلق به جک دورسی، از مدل صوتی جدیدی به نام Dessa رونمایی کرده است که با هدف طبیعیتر کردن مکالمه با هوش مصنوعی توسعه یافته. این مدل میتواند همزمان به صحبتهای کاربر گوش دهد و پاسخ بدهد و در نمونههای منتشرشده، مکثها و تغییرات احساسی صدا را نیز شبیهسازی میکند.
Dessa چه تفاوتی با مدلهای صوتی معمولی دارد؟
در بسیاری از سامانههای صوتی، گفتار ابتدا به متن تبدیل میشود و سپس مدل زبانی بر اساس متن، پاسخ تولید میکند. در این فرایند ممکن است بخشی از اطلاعاتی که در لحن، مکث یا نحوه بیان جمله وجود دارد از دست برود.
بلاک میگوید Dessa بهصورت مستقیم بر پایه گفتار آموزش دیده است و برای مکالمه دوطرفه طراحی شده؛ یعنی میتواند هنگام شنیدن صحبتهای طرف مقابل، فرایند پاسخگویی را نیز مدیریت کند. چنین ساختاری میتواند تعامل با دستیارهای صوتی را روانتر کند و نیاز به مکالمههای خشک و نوبتی را کاهش دهد.
صدایی با مکث و احساسات طبیعیتر
یکی از ویژگیهایی که بلاک روی آن تأکید دارد، توانایی مدل در بازتولید لحنهای متفاوت است. در نمونههای منتشرشده، صدای مدل در موقعیتهای مختلف تغییر میکند و گاهی خستگی، هیجان یا ناراحتی را در نحوه بیان منعکس میکند.
هدف این رویکرد آن است که احساسات فقط به متن پاسخ محدود نباشند و در خود صدا نیز نمود پیدا کنند. البته طبیعی بهنظر رسیدن یک صدا الزاماً به معنای درک واقعی احساسات انسانی نیست؛ مدل همچنان بر اساس الگوهایی که آموخته، پاسخ تولید میکند.
اجرای محلی روی رایانه
به گفته شرکت، Dessa میتواند روی سختافزار مصرفی قدرتمند، از جمله رایانهای در سطح مکبوک پرو مجهز به تراشه M4 Max، اجرا شود. اجرای محلی مدل میتواند در برخی کاربردها وابستگی به پردازش ابری را کاهش دهد و کنترل بیشتری بر نحوه پردازش دادههای صوتی فراهم کند.
با این حال، اجرای مدل روی دستگاههای کاربران به سختافزار مناسب نیاز دارد و هنوز دسترسی عمومی به آن فراهم نشده است.
نگرانیهای امنیتی در کنار پیشرفت فنی
هرچه صدای تولیدشده توسط هوش مصنوعی طبیعیتر شود، تشخیص تفاوت آن با صدای انسان دشوارتر خواهد شد. این قابلیت میتواند برای دستیارهای صوتی و خدمات مشتری مفید باشد، اما در عین حال احتمال سوءاستفاده برای فریب افراد یا جعل مکالمه را نیز افزایش میدهد.
بلاک از پژوهشگران امنیتی دعوت کرده است مدل را بررسی کنند. این مرحله میتواند به شناسایی خطرهای احتمالی پیش از دسترسی گستردهتر کمک کند.
آینده دستیارهای صوتی
عرضه Dessa نشان میدهد که رقابت در هوش مصنوعی صوتی تنها به پاسخگویی دقیقتر محدود نیست و طبیعی بودن مکالمه نیز اهمیت بیشتری پیدا کرده است. اگر این مدل بتواند کیفیت نمونههای نمایشی را در کاربردهای واقعی حفظ کند، میتواند زمینهساز نسل تازهای از دستیارهای صوتی شود؛ دستیارهایی که تعامل با آنها کمتر شبیه کار با یک نرمافزار و بیشتر شبیه گفتوگو خواهد بود.
به این مقاله امتیاز دهید
امتیاز : ۵
تعداد رای : ۲




