هوش مصنوعی صوتی Dessa AI چیست؟
شرکت Block در تاریخ ۲۳ اکتبر ۲۰۲۶ از مدل هوش مصنوعی صوتی نوآورانه خود به نام Dessa AI پرده برداشت. نکته جالب توجه در مورد Dessa این است که برخلاف بسیاری از مدل‌های مشابه، این مدل بدون اتکا به دادههای متنی، صرفاً از طریق گوش دادن به مکالمات انسانی آموزش دیده است. این رویکرد، Dessa را قادر می‌سازد تا مکالمات را به شکلی عمیق‌تر و طبیعی‌تر درک کند.
Dessa AI یکی از پیشرفته‌ترین مدل‌های گفتار به گفتار (Speech-to-Speech) است که توسط آزمایشگاه هوش مصنوعی شرکت Block توسعه یافته است. هدف اصلی این پروژه، آزمودن این فرضیه بود که آیا یک مدل هوش مصنوعی می‌تواند صرفاً با «شنیدن» مکالمات انسانی، مهارت‌های زبانی و توانایی‌های گفت‌وگو را مانند یک کودک بیاموزد؟ بر اساس اطلاعات منتشر شده، Dessa بدون استفاده از دادههای متنی یا مدل‌های از پیش آموزش‌دیده ساخته شده تا تعاملی کاملاً طبیعی و بدون واسطه را ممکن سازد. این مدل با بهره‌گیری از سخت‌افزار قدرتمند NVIDIA، برای ایجاد تعاملات صوتی واقع‌گرایانه توسعه یافته است.
تفاوت Dessa AI با دستیارهای صوتی سنتی
بسیاری از دستیارهای صوتی رایج، ابتدا گفتار کاربر را به متن تبدیل می‌کنند (STT)، سپس متن را پردازش کرده و در نهایت پاسخ را دوباره به صدا تبدیل می‌کنند (TTS). این فرآیند چند مرحله‌ای می‌تواند منجر به تأخیر و کاهش طبیعی بودن مکالمه شود. اما Dessa AI مستقیماً با دادههای صوتی ورودی و خروجی کار می‌کند و این محدودیت را برطرف می‌سازد.
قابلیت مکالمه هم‌زمان (Full-Duplex)
یکی از برجسته‌ترین ویژگی‌های Dessa، پشتیبانی از مکالمه تمام‌دوطرفه یا Full-Duplex است. این قابلیت به Dessa اجازه می‌دهد تا هم‌زمان با صحبت کردن کاربر، به صدای او گوش دهد و نیازی به انتظار برای اتمام کامل صحبت طرف مقابل نداشته باشد. این ویژگی، تجربه مکالمه را بسیار روان‌تر و شبیه به تعامل انسانی می‌کند.
ویژگی‌های کلیدی Dessa AI
- آموزش مبتنی بر صوت: مدل از ابتدا با مکالمات صوتی انسان آموزش دیده و از دادههای متنی یا مدل‌های از پیش آموزش‌دیده استفاده نکرده است.
- مکالمه هم‌زمان: Dessa قادر است صحبت کردن و شنیدن را به صورت هم‌زمان مدیریت کند.
- توجه به لحن و مکث‌ها: مدل در نمونه‌های منتشر شده، تغییرات لحن، خنده، مکث و واکنش‌های صوتی متنوعی از خود نشان می‌دهد که به طبیعی‌تر شدن تعامل کمک می‌کند.
- امکان اجرای محلی: طبق اعلام سازندگان، این مدل روی دستگاه‌هایی مانند MacBook Pro مجهز به تراشه M4 Max یا سخت‌افزارهای قوی‌تر قابل اجراست.
کاربردهای احتمالی Dessa AI در آینده
هدف اصلی Dessa AI، توسعه تعامل طبیعی‌تر میان انسان و هوش مصنوعی است. در مکالمات واقعی، معنا تنها از طریق کلمات منتقل نمی‌شود؛ بلکه مکث‌ها، لحن صدا، خنده‌ها و تغییرات صوتی نیز نقش مهمی در درک منظور طرف مقابل دارند. مدل‌هایی مانند Dessa که مستقیماً با دادههای صوتی کار می‌کنند، می‌توانند «چگونه گفتن» را نیز درک کنند و این رویکرد پتانسیل تحول در حوزه‌های زیر را دارد:
- خدمات مشتریان و مراکز تماس: سیستم‌های صوتی فعلی اغلب در درک کلافگی یا تغییر لحن مشتری دچار مشکل می‌شوند. مدل‌های گفتار به گفتار مانند Dessa می‌توانند واکنش‌های همدلانه‌تر و سریع‌تری ارائه دهند.
- تجارت صوتی (Voice Commerce): تشخیص تردید یا پرسش‌های مشتری در حین خرید صوتی می‌تواند به ایجنت‌های هوشمند کمک کند تا پاسخ‌های دقیق‌تر و مناسب‌تری ارائه دهند.
- توجه به ایمنی و حالت روحی کاربر: تشخیص نشانه‌های احتمالی درد، استرس یا ناراحتی در صدای کاربر می‌تواند در تعاملات حساس اهمیت بالایی داشته باشد.
البته، توانایی تولید صدایی همدلانه لزوماً به معنای درک واقعی احساسات انسانی توسط هوش مصنوعی نیست و این حوزه همچنان نیازمند بررسی‌های اخلاقی و فنی بیشتری است.
وضعیت دسترسی و جایگزین‌های فعلی
تا تاریخ انتشار این مقاله (آبان ۱۴۰۵)، Dessa AI هنوز برای استفاده عمومی عرضه نشده است. شرکت Block دسترسی اولیه را به گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی محدود کرده تا خطرات احتمالی مدل مورد بررسی قرار گیرد. اطلاعات دقیقی در مورد پارامترها، نتایج بنچمارک‌ها، API و قیمت‌گذاری نیز منتشر نشده است.
اگرچه مدل‌هایی مانند Dessa آینده دستیارهای صوتی را متحول خواهند کرد، اما برای تجربه قابلیتهای صوتی هوشمند و ابزارهای پیشرفته، نیازی به انتظار برای عرضه عمومی آن‌ها نیست. شما میتوانید با استفاده از قابلیت «هوشا لایو» در پلتفرم هوش مصنوعی هوشی (hooshi.net)، مکالمه صوتی زنده به زبان فارسی را تجربه کنید.
هوشا لایو با ارائه اعتبار رایگان روزانه و امکان انتخاب صداهای متنوع، تجربه‌ای طبیعی از مکالمه صوتی زنده با هوش مصنوعی را به زبان فارسی فراهم می‌کند. این پلتفرم همچنین مجموعه‌ای جامع از ابزارهای هوش مصنوعی را در اختیار کاربران قرار می‌دهد تا بتوانند از این فناوری‌ها به بهترین نحو استفاده کنند. برای شروع، کافی است در هوشی ثبت‌نام کنید و توکن API خود را بسازید.
سوالات متداول
س: Dessa AI چگونه آموزش دیده است؟
Dessa AI بدون استفاده از دادههای متنی و صرفاً از طریق شنیدن مکالمات انسانی آموزش دیده است.س: آیا Dessa AI برای عموم در دسترس است؟
خیر، در حال حاضر دسترسی عمومی به Dessa AI محدود است و تنها گروه کوچکی از پژوهشگران به آن دسترسی دارند.س: چگونه میتوانم قابلیتهای صوتی هوش مصنوعی را تجربه کنم؟
شما میتوانید با استفاده از قابلیت «هوشا لایو» در پلتفرم هوشی، مکالمه صوتی زنده به زبان فارسی را تجربه کنید.
چرا هوشی؟
هوشی با ارائه پلتفرمی جامع و کاربرپسند، امکان دسترسی به پیشرفته‌ترین ابزارهای هوش مصنوعی را برای کاربران ایرانی فراهم می‌کند. از ایجنت‌های کدنویسی گرفته تا قابلیتهای صوتی پیشرفته مانند هوشا لایو، هوشی به شما کمک می‌کند تا از قدرت هوش مصنوعی در جهت اهداف خود بهره ببرید. با استفاده از بیلینگ شفاف و امکان ساخت توکن API، کنترل کاملی بر هزینه‌ها و دسترسی‌های خود خواهید داشت. برای شروع، به هوشی مراجعه کنید و دنیای هوش مصنوعی را کشف نمایید.