Block показала Dessa: голосовой ИИ, который учился на человеческой речи

Block представила Dessa, голосовую модель, которую, по заявлению компании, с нуля обучили только на живой человеческой речи. Она принимает и выдаёт аудио напрямую, без обязательного промежуточного преобразования разговора в текст. Модель слушает и говорит одновременно, улавливает паузы и интонации, может реагировать короткими репликами вроде «ага».

Пока это исследовательский проект. Публичного доступа нет: Block собирается сначала дать модель небольшой группе специалистов по безопасности ИИ. Поэтому ролики с разговорами показывают направление работы, но сами по себе не доказывают, что Dessa одинаково хорошо справляется с разными голосами, языками и рабочими задачами.

В демонстрациях Block модель обсуждает кино, реагирует на рассказ о поездке в Париж и разговаривает с голосовой моделью OpenAI. В одном эпизоде она звучит растроганно, в другом использует паузы и более естественный темп. Это именно демонстрационные примеры, а независимой оценки качества в публикациях нет.

Среди похожих проектов уже были Hume AI с EVI, запущенной в марте 2024 года, и Moshi от Kyutai, представленной в сентябре 2024 года. Проект Open Empathic работает над эмоциональной речью с конца 2023 года. OpenAI обновила Advanced Voice Mode в июне 2025 года, добавив более выразительную интонацию, паузы и передачу эмоций вроде сарказма. Эти примеры показывают, что естественная голосовая подача давно стала отдельным направлением исследований.

Есть и другой подход: ElevenLabs v4 и Fish Audio Drama 3 используют голосовые теги, чтобы задавать эмоции при генерации речи. Block утверждает, что у Dessa эмоциональные особенности возникают внутри модели. Как именно ими управляют, из публикаций неясно. Важное уточнение: естественная интонация сама по себе не означает, что модель лучше рассуждает или точнее отвечает. Это разные свойства, и их стоит проверять отдельно.

По данным The Decoder, Dessa обучали на одном ускорителе NVIDIA GB200 NVL72. Для локального запуска нужен MacBook Pro с M4 Max или более мощное устройство. Такая связка интересна: крупную модель обучали на специализированном оборудовании, а запускать предлагают на компьютере пользователя. При этом публикации не сообщают размер модели, задержку ответа, результаты тестов и поддержку русского языка.

Для голосового помощника в поддержке или приёме заказов важны не одни только приятные интонации. Ему нужно вовремя уступать слово, понимать перебивания и замечать, когда собеседник растерян или раздражён. Block приводит эмоциональную чувствительность как один из мотивов проекта, в том числе из соображений безопасности: голос может сообщать о состоянии человека больше, чем текстовая расшифровка.

Но здесь есть тонкая граница. Эмоционально убедительный голос способен помочь в разговоре, а способен и усилить доверие к ошибочному ответу. Поэтому я бы оценивал Dessa по практическим критериям: как модель реагирует на перебивание, понимает ли сарказм, сохраняет ли точность ответа при эмоциональной речи и не изображает ли сочувствие там, где лучше прямо обозначить ограничения. В публикациях таких проверок пока нет.

Локальный запуск может быть полезен компаниям, которым важно обрабатывать аудио на устройстве. Сам по себе он ещё не подтверждает полную конфиденциальность: ничего не сказано о телеметрии, хранении данных и настройках приложения. Эти детали нужно выяснить до использования с рабочими разговорами.

Сейчас обычному пользователю подключить модель нельзя: публичного доступа нет. Block приглашает исследователей по безопасности ИИ подать заявку на ранний доступ. Если вы работаете в этой области, имеет смысл искать официальную форму заявки Block и описать сценарии тестирования. Для остальных разумный план такой:

Мой вывод: Dessa интересна как попытка строить голосовой ИИ, ориентированный на непосредственную работу с аудио. Для практического внедрения пока не хватает доступа и проверяемых результатов. Следить стоит за тем, что покажут исследователи по безопасности, как модель поведёт себя на русском и за выразительными демонстрациями.