مدل صدای جدید بلاک به طرز وحشتناکی انسانی به نظر می رسد

Jack Dorsey’s Block یک مدل صوتی جدید را از آزمایشگاه تحقیقاتی این شرکت منتشر کرد که به صورت محلی اجرا می شود و با عباراتی مانند خنده، مکث و گریه به طرز عجیبی انسانی به نظر می رسد. این شرکت گفت این مدل که Dessa نام دارد، به طور کامل بر روی گفتار انسان و یک واحد پردازش گرافیکی NVIDIA آموزش دیده است.

Dessa یک مدل تمام دوبلکس است، به این معنی که می تواند همزمان صحبت کند و گوش دهد، درست مانند مدل GPT-Live OpenAI که اوایل امسال منتشر شد. به طور معمول، مدل های گفتاری با یک مدل زبان بزرگ برای بازیابی دانش جفت می شوند. بلاک گفت که دانش دسا از داده‌های مکالمه‌ای ناشی می‌شود.

ما معتقدیم صدا طبیعی ترین راه برای تعامل با هوش است، بنابراین ما Dessa را ایجاد کردیم، معتبرترین مدل گفتاری تمام دوبلکس که تاکنون ساخته شده است. صحبت کردن با آن مانند صحبت کردن با یک فرد است ... پر از احساسات، نکات ظریف، مکث ها، و آهنگ طبیعی. https://t.co/r0qFLdvd6c

بلاک گفت که مدل‌های فعلی می‌توانند غیرطبیعی و آزاردهنده به نظر برسند زیرا متنی در خط لوله دارند که تولید گفتار را هدایت می‌کند. بسیاری از مدل‌ها مانند ElevenLabs v4 یا Fish Audio Drama 3 از برچسب‌های صوتی برای ایجاد احساسات در تولید گفتار استفاده می‌کنند. شرکت دورسی ادعا می کند که احساسات در مدل آن تعبیه شده است. مشخص نیست که آیا این احساس توسط نوعی برچسب هدایت می شود یا خیر.

این شرکت در یک پست وبلاگی گفت: "تعامل با هوش مصنوعی صوتی فعلی می تواند به سادگی بد باشد. صدای شما را به متن تبدیل می کند و حجم باورنکردنی اطلاعاتی را که متن به تنهایی نمی تواند حمل کند دور می کند. قدرتمندترین هوش مصنوعی های جهان نمی توانند احساس شما را بشنوند. ما فکر می کنیم این مضحک است، منجر به تجربه بدتری می شود و بالقوه خطرناک است."

محققان شرکت نمونه‌های متعددی از مکالمات با دسا را ​​منتشر کردند که در آن نماینده صداها، آهنگ‌ها و احساسات متفاوتی داشت. به عنوان مثال، در مکالمه، ربات گفت که از کار خسته شده است، و در آن لحظه به نظر می رسد خسته است.

ما اولین مدل هوش مصنوعی را ساختیم که می توانید با آن مکالمه ای واقع بینانه داشته باشید که کاملا بر روی گفتار آموزش داده شده بود! Dessa یک مدل گفتار به گفتار تمام دوبلکس است که می توانید آن را روی پردازنده های گرافیکی مصرف کننده اجرا کنید. این یک لحظه GPT3 برای سخنرانی است. pic.twitter.com/XVD8sSyJn8

در مثال زیر، ربات در مورد شخصی صحبت می کرد که در حالی که احساسی به نظر می رسد و تقریبا از کار می افتد، آن را راحت می کند.

دسا=مدل گفتار فول دوبلکس در مقابل انسان=من، https://t.co/1eI6QFHo1w pic.twitter.com/zlZfxH2BA5

یکی دیگر یکی از اعضای تیم Block را نشان می دهد که در حال بازی با دستیار صوتی است.

برای عشق بازی. تماشا کنید که کارا یک بازی حدس زدن با دسا انجام می دهد. مدل فورا اولین مورد را حدس می‌زند و دومی نیز زیاد طول نمی‌کشد. https://t.co/FDmoXNPpIh pic.twitter.com/I9f8saduEA

این شرکت گفت که این مدل می تواند به صورت محلی بر روی یک کامپیوتر درجه یک مصرف کننده مانند MacBook M4 Max یا بهتر اجرا شود. با این حال، در حال حاضر دسترسی عمومی به Dessa وجود ندارد و Block برای آزمایش این مدل از محققان ایمنی فراخوان داده است. این احتمالا مواردی را آزمایش می کند که یک عامل صوتی می تواند افراد را در طرف دیگر فریب دهد.

بلاک در تجارت مالی و فروش راه حل های خود به مشاغل کوچک است. Square در حال حاضر از هوش مصنوعی صوتی برای رسیدگی به سفارش استفاده می کند. اما با مدل صدای خاص خود که می تواند روی دستگاه اجرا شود، می تواند تجربیات تجاری و مصرف کننده بیشتری را با هزینه کمتر تقویت کند.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

ایوان در TechCrunch تحولات جهانی فناوری مصرف کننده را پوشش می دهد. او در خارج از هند مستقر است و قبلا در نشریاتی از جمله هافینگتون پست و وب بعدی کار کرده است.

می‌توانید با ارسال ایمیل به [email protected] یا از طریق پیام رمزگذاری‌شده به نشانی ivan.42 در سیگنال، با ایوان تماس بگیرید یا آن را تأیید کنید.

One Pass بخرید، جلد دوم رایگان را در بوت کمپ نهایی سال TechCrunch با آوردن هم بنیانگذار یا شریک خود به صورت کتاب رایگان قبل از انقضای قرارداد BOGO دریافت کنید.

اوبر تمام 30000 کارمند خود را در ChatGPT Work Lucas Ropek قرار می دهد

Airbnb کارهای خانه را برای مهمانان محدود می‌کند و با واکنش‌های منفی میزبان لورن فوریستال مواجه می‌شود

تسلا تولید ربات Optimus را در کالیفرنیا با کاهش 43 درصدی سود Kirsten Korosec شان اوکین آغاز کرد.

اینترنت روز بسیار بدی را در زمینه امنیت سایبری سپری می کند سارا پرز

مردم از هوش مصنوعی استفاده می کنند تا تلویزیون های هوشمند خود را دوباره احمق کنند سارا پرز