شرکت بلاک تحت مدیریت جک دورسی از هوش مصنوعی صوتی جدیدی با نام Dessa رونمایی کرد که در جریان دموهای رسمی، رفتاری شبیه به انسان نشان می‌دهد.
فناوری مذکور با نمایش مکالمات طبیعی، تحسین گسترده‌ی کارشناسان حوزه‌ی فناوری و در عین حال هشدارهایی پیرامون افزایش کلاهبرداری‌های تلفنی را به‌دنبال داشت.
۰:۰۰ / ۰:۰۰لایکمدل توسعه‌یافته بر خلاف سیستم‌های سنتی تبدیل گفتار به متن، به‌طور مستقیم با داده‌های صوتی آموزش دیده است و فرایند شنیدن و سخن گفتن را هم‌زمان انجام می‌دهد. سازوکار طراحی‌شده امکان مدیریت وقفه در کلام، خندیدن در میان جملات و تغییر لحن گفت‌وگو به‌صورت کاملا زنده و بدون هدایت بیرونی را فراهم می‌سازد.
جک دورسی، مدیرعامل بلاک، در شبکه‌ی اجتماعی ایکس نوشت: «صحبت با آن شبیه به گفت‌وگو با یک انسان است؛ پر از احساس، ظرافت، مکث و ریتم طبیعی کلام.»
تیم تحقیقاتی، فرایند آموزش مدل Dessa را از پایه روی یک سیستم محاسباتی انویدیا GB200 NVL72 تکمیل کرده است. ابعاد مدل بهینه‌سازی شده به‌گونه‌ای است که قابلیت اجرای محلی روی لپ‌تاپ‌های مک‌بوک پرو مجهز به تراشه‌ی M4 Max یا نسخه‌های قدرتمندتر را به‌سادگی پشتیبانی می‌کند.
انتشار نمونه‌های صوتی واکنش‌های گوناگونی را به همراه داشت؛ چنان‌که کاربران شبکه‌های اجتماعی ماهیت آن را فراتر از پدیده‌های مصنوعی پیشین ارزیابی کردند. چانگ‌پنگ ژائو، بنیان‌گذار صرافی بایننس، درباره‌ی استفاده از این فناوری در بستر آموزش گفت: «این ابزار می‌تواند برای GiggleAcademy بسیار مفید باشد. آموزش به کودکان با صدای هوش مصنوعی فعلی یک چالش جدی بود.»
با وجود قابلیت‌های چشمگیر، شباهت بی‌سابقه لحن خروجی با انسان نگرانی‌های امنیتی متعددی رقم زد. جاستین بیتمن، فیلم‌ساز، با تاکید بر خطرات ناشی از فریب کاربران گفت: «هدف این است که گارد دفاعی مردم را پایین بیاورید تا فریب بخورند.»
شیو آرور، روزنامه‌نگار، به موج احتمالی سوءاستفاده‌های مالی اشاره کرد و گفت: «تماس‌های کلاهبرداری در آستانه‌ی رسیدن به سطح همه‌گیری هستند.»
بخش پژوهش هوش مصنوعی بلاک که مستقیما زیر نظر جک دورسی اداره می‌شود، حاصل ادغام استارتاپ Dessa پس از خرید آن در سال ۲۰۲۰ به‌شمار می‌رود. مدل ارائه‌شده در وضعیت پیش‌نمایش تحقیقاتی قرار دارد و دسترسی اولیه به آن صرفا به گروه منتخبی از محققان ایمنی واگذار شده است تا اثرات تشخیص نشانه‌های عاطفی گفتاری نظیر درد و اضطراب دقیق‌تر بررسی شود.
به نظر شما پیشرفت مدل‌های صوتی هوش مصنوعی در تقلید احساسات، به توسعه آموزش کمک می‌کند یا تهدیدی برای امنیت مکالمات روزمره خواهد بود؟ دیدگاه خود را با ما در میان بگذارید.
