Изкуствен интелект, който се учи да говори само от човешка реч: Block представи Dessa

Нов модел с изкуствен интелект обещава да направи разговорите с машини по-близки до общуването между хората. Вместо да се обучава върху текстове и след това да превръща отговорите си в реч, Dessa е създаден да се учи от човешки разговори, използвайки единствено звук. Разработката е на специализиран изследователски екип в технологичната компания Block, ръководена от Джак Дорси.

В официалното съобщение на Block от 23 октомври 2026 г. Dessa е представен като модел, който може да слуша и да говори едновременно, да реагира на интонацията и емоциите в гласа и да се включва в разговор по начин, наподобяващ човешкото общуване. Засега обаче става дума за изследователска разработка, а не за услуга, която е свободно достъпна за всички.

Разговор без задължителен превод в текст

Основната идея зад Dessa е да премахне една от ограниченията на традиционните гласови асистенти. При много подобни системи речта първо се преобразува в текст, след което изкуственият интелект подготвя отговор, който отново се превръща в глас. Този подход работи, но може да загуби част от информацията, която се съдържа в начина на говорене – например иронията, колебанието, въздишката или промяната в гласа при силно вълнение.

Dessa е разработен по различен начин. Според създателите му моделът е обучен от нулата върху човешки разговори, без текстови данни и без предварително обучени модели. Така той трябва да усвоява не само езиковите закономерности, но и особеностите на живия разговор – кога човек се колебае, кога се шегува, кога е уместно да бъде прекъснат и кога кратка реакция показва, че събеседникът го слуша.

Публикуваните демонстрации показват някои любопитни резултати. В един разговор Dessa се засмива още докато събеседникът довършва шегата си. В друг говори по-силно, когато го помолят да повиши глас, а в трети довършва изречение на човек, който не успява да си спомни заглавие на филм. Има и запис, в който моделът реагира с възклицание на изненада, преди да отговори на лична история. Това са повече от ефекти на добре звучащ синтетичен глас. Целта е изкуственият интелект да разпознава динамиката на общуването и да реагира в подходящия момент, вместо да изчаква всяка реплика да приключи. Именно тази способност може да направи гласовите асистенти по-малко механични и по-удобни за ежедневна употреба.

Block твърди, че Dessa работи по-бързо от реалното време и може да се изпълнява локално на MacBook Pro с чип M4 Max или по-мощен компютър. Това би било важно предимство, ако се потвърди и извън демонстрациите на разработчика. Засега обаче няма достатъчно независими тестове, които да покажат доколко тези характеристики се запазват при различни разговори и натоварване.

Истински пробив или обещаващ експеримент?

Новината е интересна, но е важно да се уточни какво точно е новото. Разговорът в реално време не е новост сам по себе си. Има и други разработки, които позволяват на изкуствения интелект да слуша и да говори с кратко закъснение, включително при едновременно говорене и прекъсване.

• Kyutai Moshi – представен през 2024 г., този модел също поддържа разговор в реално време и работа със звук в двете посоки. За разлика от заявения подход на Dessa, Moshi използва предварително обучен езиков модел и е публикуван с тегла и код за независимо използване и изследване.
• OpenAI Realtime – OpenAI предлага модели за директна обработка на входяща и изходяща реч, предназначени за гласови асистенти и приложения. Компанията развива и възможности за изпълнение на задачи по време на разговора, без да разчита само на последователно преобразуване на речта в текст и обратно.
• Google Gemini Live – през септември 2026 г. Google представи нови модели за естествени гласови взаимодействия. Те могат да поддържат диалог, докато изпълняват задачи, и да съчетават разговора с допълнителен контекст.

Затова съществената заявка на Block не е просто, че е създала AI, който говори естествено. По-интересното твърдение е, че Dessa е усвоил езика и разговорното поведение само от човешка реч, без текстово обучение и без готов предварително обучен модел. Ако това бъде потвърдено с подробна техническа документация и независими изследвания, разработката би могла да разшири представите за начина, по който се създават системи с изкуствен интелект.

Първите записи обаче не са достатъчни, за да се направи заключение, че моделът е по-добър от конкурентите си. В публикация за демонстрациите технологичното издание The Verge отбелязва, че разговорите понякога звучат неловко и неестествено. В един от примерите Dessa първоначално обърква самоличността на събеседника, а в друг се отклонява неочаквано от темата. Това не обезсмисля разработката, но напомня, че отделни впечатляващи реакции не доказват постоянна надеждност.

Липсват и публични резултати от стандартизирани тестове, подробно описание на обучаващите данни, измервания на точността и пълна информация за възможностите на модела. Не са обявени публично изтегляеми тегла, програмни интерфейси за разработчици или цени. Към момента заинтересованите могат да се запишат в списък на чакащите, а ограничен достъп се предлага на малка група изследователи, занимаващи се с безопасността на изкуствения интелект.

Един от аргументите на екипа е свързан именно с безопасността. Ако една система разпознава промени в гласа, тя би могла да реагира по-подходящо, когато човек е разстроен, изпитва болка или има нужда от помощ. Това е разумна посока за изследване, но способността да се възпроизвеждат емоции не означава автоматично, че моделът ги разбира правилно или може надеждно да разпознава опасни ситуации. За подобни изводи са необходими специализирани изпитвания.

Практическият извод е, че Dessa заслужава внимание като изследователски експеримент, а не като доказано превъзходен продукт. Ако подходът на Block се окаже успешен, той може да направи общуването с изкуствен интелект по-естествено, да подобри реакциите при разговор и да намали зависимостта от текстовото представяне на речта. Следващата важна стъпка обаче не е още една впечатляваща демонстрация, а възможността независими специалисти да изпитат модела и да проверят как се държи извън предварително подбраните записи.