Block, das Unternehmen von Jack Dorsey, hat aus seinem Forschungslabor ein Sprachmodell namens Dessa veröffentlicht. Es kann lachen, Pausen setzen und sogar weinerlich klingen, und es läuft lokal.
Was anders ist
Die meisten Sprachassistenten arbeiten als Kette: Sprache wird zu Text, ein Sprachmodell verarbeitet den Text, die Antwort wird vorgelesen. Laut Block geht dabei schon im ersten Schritt alles verloren, was Text nicht fassen kann, etwa Tonfall, Müdigkeit oder Zögern. Dessa lässt diese Zwischenstufe weg. Die Emotion steckt im Modell selbst, das Wissen stammt aus den Gesprächsdaten des Trainings. Trainiert wurde ausschließlich mit echter menschlicher Sprache auf einem einzigen Rack mit Nvidia-GPUs.
Das Modell ist vollduplexfähig: Es spricht und hört gleichzeitig, man kann es also unterbrechen wie einen Menschen. Laufen soll es auf Consumer-Hardware ab einem MacBook M4 Max.
Was gezeigt wurde
Block-Mitarbeiter veröffentlichten Aufnahmen, in denen der Agent Stimmen und Tempo wechselt. In einer sagt er, er sei nach der Arbeit müde, und klingt auch so. Ein Forscher nannte die Veröffentlichung einen "GPT-3-Moment für Sprache".
Vorbehalte
Einen öffentlichen Zugang gibt es noch nicht, und fast alle Qualitätsaussagen stammen vom Unternehmen selbst. Block hat externe Sicherheitsforscher gebeten, das Modell zu prüfen, auch darauf, ob es Menschen täuschen kann. Für das Geschäft könnte das günstige Sprachbestellung und Support direkt auf dem Gerät bedeuten; Square nutzt Sprach-KI bereits für Bestellungen.