Block เปิดตัวโมเดลเสียง AI 'Dessa' เสียงเหมือนคนจริง แต่ยังไม่เปิดให้ใช้งานทั่วไป

Block บริษัทของ Jack Dorsey เพิ่งปล่อยโมเดลเสียง AI ตัวใหม่จากแล็บวิจัยของตัวเองชื่อ Dessa ครับ จุดเด่นคือมันรันอยู่บนเครื่องได้เลยโดยไม่ต้องพึ่งคลาวด์ และเสียงที่ออกมาฟังดูเหมือนคนจริงมาก มีทั้งเสียงหัวเราะ หยุดคิด ไปจนถึงเสียงร้องไห้

ที่น่าสนใจคือ Dessa เป็นโมเดลแบบ full-duplex พูดและฟังไปพร้อมกันได้เหมือนโมเดล GPT-Live ที่ OpenAI ปล่อยออกมาก่อนหน้านี้ และ Block บอกว่าฝึกโมเดลนี้จากเสียงพูดของคนทั้งหมด โดยใช้ GPU ของ NVIDIA เพียงตัวเดียว

ปกติโมเดลเสียงมักต้องจับคู่กับโมเดลภาษาขนาดใหญ่เพื่อดึงความรู้มาตอบ แต่ Block บอกว่าความรู้ของ Dessa มาจากข้อมูลบทสนทนาที่มันมีอยู่แล้ว ไม่ใช่การแปลงเสียงเป็นข้อความก่อนแล้วค่อยประมวลผลแบบโมเดลทั่วไปที่ Block มองว่าทำให้เสียงฟังดูไม่เป็นธรรมชาติ

Block ยังระบุด้วยว่าโมเดลอย่าง ElevenLabs v4 หรือ Fish Audio Drama 3 ต้องใช้ voice tags เพื่อกำหนดอารมณ์ในการพูด แต่ Dessa มีอารมณ์ติดตัวมาในโมเดลเลย แม้บริษัทจะไม่ได้บอกชัดว่าใช้ tags แบบไหนควบคุมอยู่หรือไม่

การคุยกับ voice AI ทุกวันนี้มันแย่มากจริงๆ มันแปลงเสียงเราเป็นข้อความแล้วทิ้งข้อมูลมหาศาลที่ข้อความเพียงอย่างเดียวให้ไม่ได้ไป AI ที่ทรงพลังที่สุดในโลกตอนนี้ยังฟังไม่ออกว่าเรารู้สึกยังไง เราคิดว่านี่มันไร้สาระ ทำให้ประสบการณ์แย่ลง และอาจเป็นอันตรายได้

Block บอกว่า Dessa รันได้บนคอมพิวเตอร์ทั่วไประดับ MacBook M4 Max ขึ้นไป แต่ตอนนี้ยังไม่เปิดให้คนทั่วไปใช้ บริษัทเพิ่งเรียกนักวิจัยด้านความปลอดภัยเข้ามาช่วยทดสอบก่อน ซึ่งน่าจะเป็นการเช็กว่าโมเดลเสียงแบบนี้จะถูกเอาไปหลอกคนฟังปลายสายได้หรือไม่

Block เองทำธุรกิจการเงินและขายโซลูชันให้ธุรกิจขนาดเล็ก โดย Square ก็ใช้ voice AI รับออเดอร์อยู่แล้ว การมีโมเดลเสียงของตัวเองที่รันบนเครื่องได้ จึงอาจช่วยให้บริษัทขยายไปทำฟีเจอร์ธุรกิจและผู้ใช้ทั่วไปได้มากขึ้นด้วยต้นทุนที่ต่ำลง