(VIDEO) Jack Dorsey trondit botën: Arriti një AI zanor që qan, qesh dhe tingëllon frikshëm si njeri
Kompania e Jack Dorsey, „Block“, prezantoi një model të ri zanor AI, të quajtur „Dessa“, i cili funksionon lokal në kompjuter dhe përfshin emocione njerëzore.
Zhvilluar nga laboratori i tyre kërkimor, modeli i ri zanor i „Block“ funksionon lokal dhe tingëllon jashtëzakonisht njerëzor, duke përfshirë elementë shprehës si të qeshura, pauza dhe psherëtima (madje edhe të qarë). Sipas kompanisë, „Dessa“ është trajnuar plotësisht bazuar në të folur njerëzor, duke përdorur vetëm një rack (njësi) me procesorë grafikë (GPU) nga Nvidia.
„Dessa“ është një model me duplex të plotë (dykahësh), që do të thotë se mund të flasë dhe të dëgjojë njëkohësisht – ngjashëm me modelin „GPT-Live“ që OpenAI e prezantoi më parë këtë vit. Zakonisht, modelet zanore lidhen me modele të mëdha gjuhësore (LLM) për kërkim dhe përpunim informacioni; megjithatë, nga „Block“ theksojnë se njohuritë e „Dessa“ burojnë nga të dhënat e bisedave mbi të cilat është trajnuar.
Kompanitë theksojnë se modelet ekzistuese shpesh mund të tingëllojnë jo natyrshëm ose irrituese, sepse mbështeten në tekst për të nxitur gjenerimin e të folurit. Shumë nga modelet e sotme – si „ElevenLabs v4“ ose „Fish Audio Drama 3“ – përdorin shenja zanore të veçanta për të shkaktuar emocione gjatë sintetizimit të të folurit. Kompania e Dorsey pretendon se emocionet janë të integruara drejtpërdrejt në modelin e tyre, megjithëse mbetet e paqartë nëse ato emocione kontrollohen përmes shenjave ose markave të caktuara.
„Ndërveprimi me inteligjencën artificiale të bazuar në zë sot mund të jetë vërtet i tmerrshëm. Ai e kthen zërin tuaj në tekst, duke humbur një sasi të madhe informacioni që vetë teksti nuk mund ta transmetojë. Sistemet më të fuqishme të inteligjencës artificiale në botë nuk mund të dëgjojnë se si ndiheni. Ne e konsiderojmë këtë absurde, çon në një përvojë më të keqe përdoruesi dhe madje është potencialisht e rrezikshme“, theksojnë nga kompania në një postim në blogun e tyre.
Kërkuesit nga kompania ndanë disa shembuj bisedash me modelin „Dessa“, ku agjenti demonstroi zëra të ndryshëm, ritme të të folurit dhe emocione. Për shembull, në një rast, boti përmendi se ishte i lodhur nga puna – dhe në atë moment, tingëllonte vërtet i lodhur.
Në shembullin më poshtë, boti flet për dhënien e ngushëllimit një personi, duke tingëlluar emocional – deri në atë shkallë sa pothuajse „thyehet“ (ose qan). Një shembull tjetër tregon një anëtar të ekipit të „Block“ duke luajtur një lojë me asistentin zanor.
Kompania thekson se modeli mund të funksionojë lokal në harduer standard për konsumatorë, si „MacBook M4 Max“ ose ndonjë pajisje më të fuqishme. Megjithatë, modeli „Dessa“ aktualisht nuk është i disponueshëm për publikun; në vend të kësaj, „Block“ ka ftuar kërkues të fushës së sigurisë për ta testuar. Kjo ndoshta ka për qëllim të shqyrtojë skenarët ku agjenti zanor mund të mashtrojë personin në anën tjetër të linjës.
„Block“ operon në sektorin financiar, duke ofruar zgjidhjet e saj për bizneset e vogla. Nënkompania e saj, „Square“, tashmë përdor inteligjencë artificiale të bazuar në zë për përpunimin e porosive. Megjithatë, me një model zanor të vetin që mund të funksionojë drejtpërdrejt në pajisje, kompania mund të ofrojë një numër shumë më të madh përvojash biznesi dhe përdoruesi, duke ulur kostot.
