شرکت بلاک (Block) متعلق به جک دورسی، مدل صوتی جدیدی را از آزمایشگاه تحقیقاتی خود منتشر کرده است که به‌صورت محلی اجرا می‌شود و صدایی به‌شکل عجیبی شبیه انسان دارد. این مدل می‌تواند حالت‌های طبیعی گفتار، مانند خندیدن، مکث کردن و گریه کردن را بازسازی کند. به گفته شرکت، این مدل که «دسا» (Dessa) نام دارد، به‌طور کامل با استفاده از گفتار انسان و یک رک پردازشی مجهز به پردازنده‌های گرافیکی انویدیا آموزش داده شده است.
دسا یک مدل صوتی تمام‌دوطرفه است؛ به این معنا که می‌تواند هم‌زمان صحبت کند و به صدای مخاطب گوش دهد. این قابلیت مشابه مدل GPT-Live است که OpenAI اوایل سال جاری میلادی منتشر کرد و امکان گفت‌وگوهای زنده و طبیعی‌تر را فراهم می‌کند.
We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech. https://t.co/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) October 23, 2026
مدل‌های صوتی معمولاً در کنار یک مدل زبانی بزرگ به کار گرفته می‌شوند تا بتوانند اطلاعات مورد نیاز را بازیابی کنند. با این حال، شرکت بلاک اعلام کرده است که دانش دسا از داده‌های مکالمه‌ای به‌کاررفته در آموزش آن سرچشمه می‌گیرد.
