Block, metin verisi içermeden doğrudan insan sesiyle sıfırdan eğitilen ve konuşmadaki duygusal ipuçlarını gerçek zamanlı çözümleyen Dessa isimli ses modelini tanıttı.
Üç noktada haber
Dessa, metin verisi içermeden doğrudan insan sesiyle sıfırdan eğitilmiş bir ses modelidir.
Model tam çift yönlü iletişim desteğiyle eş zamanlı dinleme ve konuşma yapabilmektedir.
Sistem tek bir NVIDIA GB200 NVL72 üzerinde eğitilmiş olup yerel olarak MacBook Pro M4 Max üzerinde çalışabilmektedir.
Square ve Cash App çatı kuruluşu Block, tamamen insan konuşmaları üzerinden eğitilen yeni yapay zekâ ses modeli Dessa'yı duyurdu. Şirketin paylaştığı bilgilere göre model, geliştirilme sürecinde hiçbir metin verisine başvurulmadan doğrudan ses dosyalarıyla sıfırdan inşa edildi. Bu yaklaşım, geleneksel sesli yapay zekâ sistemlerinin kullandığı konuşmayı önce metne çevirme ve ardından metin üzerinden cevap üretme zorunluluğunu ortadan kaldırıyor.
Sesi doğrudan bir ses verisi olarak işleyen sistem, insan iletişimindeki akustik dinamikleri kaybetmeden analiz edebiliyor. Block'un açıklamasına göre Dessa, konuşma esnasındaki tonlamaları, alaycı ifadeleri, gülüşleri ve duraklamaları gerçek zamanlı olarak algılama kabiliyetine sahip bulunuyor. Sistem aynı zamanda tam çift yönlü iletişim mimarisini desteklediği için kullanıcının konuşmasını kesmeden aynı anda hem dinleyebiliyor hem de yanıt verebiliyor.
Teknik altyapı tarafında paylaşılan verilere göre modelin eğitimi tek bir NVIDIA GB200 NVL72 sunucusu üzerinde gerçekleştirildi. Çalışma ortamı açısından optimize edilen sistem, yerel donanım üzerinde de çalışabiliyor ve bir MacBook Pro M4 Max bilgisayarda yerel olarak yürütülebiliyor. Block yetkilileri; projenin merak duygusu, insan ile yapay zekâ arasındaki iletişimi güçlendirme hedefi ve mevcut ses modellerinin duygusal ipuçlarını göz ardı etmesinden kaynaklanan güvenlik endişeleri doğrultusunda geliştirildiğini bildirdi.
Buna karşın duygusal tonları taklit edebilen bir sese sahip olmak, modelin tek başına gelişmiş bir akıl yürütme veya anlama yetisine ulaştığı anlamına gelmiyor. Gelişmiş sesli yapay zekâlarda yanıt kalitesini belirleyen temel unsurun doğal tonlamadan ziyade düşünme ve mantık yürütme kabiliyeti olduğu vurgulanıyor. Dessa henüz genel erişime açılmış değil; geliştirici ekip beklenmedik riskleri analiz etmek amacıyla öncelikle güvenlik araştırmacılarının katılımıyla bir test süreci yürütmeyi planlıyor.
Neden önemli?Geleneksel modellerin metne dönüştürürken kaybettiği tonlama ve duraklama gibi akustik verileri doğrudan işleyen mimari, insan ve yapay zekâ arasındaki sesli etkileşimi daha doğal hale getirmeyi hedefliyor.
Cevabı beklenen sorular
- Güvenlik araştırmacılarının yapacağı testlerin ardından modelin genel kullanıma veya ticari ürünlere ne zaman entegre edileceği bilinmiyor.
- Doğrudan ses işleme yaklaşımının metin tabanlı modellerin muhakeme kalitesine kıyasla nasıl bir doğruluk sunacağı henüz netleşmedi.
Kaynaklar ve belgeler
Bu haberde kullanılan belgelere aşağıdaki bağlantılardan ulaşabilirsiniz.
