Jack Dorsey cége, a Block, 2026. október 23-án bemutatta Dessa névre keresztelt hangmodelljét, amelyet a vállalat kutatólaborja fejlesztett. A modell – amelyről a cég és a csapattagok a bemutatás napján közösségi posztokban tettek közzé példákat – teljes duplex működésű: egyszerre képes beszélni és hallgatni.
Mire képes a modell és hogyan működik?
A Block azt állítja, hogy Dessa kizárólag emberi beszéden tanult, és egyetlen NVIDIA GPU-n futtatható. A cég hangsúlyozza, hogy a modellben jelen vannak az emberi kifejezésekhez kötődő nüanszok — nevetés, szünetek, sírásszerű hangok, valamint a beszéd természetes ritmusa és érzelmi tónusa. A vállalat szerint ez különbözteti meg a modellt azoktól a rendszerektől, amelyeknél a beszédgenerálást szöveges köztes lépés és úgynevezett „voice tag”-ek vezérlik.
A Dessa teljes duplex jellege azt jelenti, hogy egyszerre tud beszélni és hallgatni, hasonlóan az OpenAI által korábban bemutatott GPT‑Live modellhez. A Block továbbá azt közölte, hogy a modell tudása elsősorban a vele folytatott beszélgetési adatokból származik, nem pedig egy külső nagy nyelvi modell integrálásából.
Bemutatott példák és demonstrációk
A cég kutatói több példát is közzétettek, amelyekben a beszélgetések során a modell különböző hangokon, ritmuson és érzelmi tónusokkal válaszol. Az egyik bemutatóban a rendszer kimerültségről beszélt, és a hangszíne ekkor fáradtságot tükrözött; egy másikban a beszélgetőpartner érzelmileg megérintette a modellt, amely majdnem összeomlásig menő érzelmi hangot produkált. Egy videón pedig egy Block‑alkalmazott játékszerű feladványt játszott a modellel, ahol a rendszer gyorsan kitalálta a megoldást.
Hozzáférés, futtatás és biztonsági felhívás
A Block közölte, hogy Dessa fogyasztói szintű gépeken is helyben futtatható, például MacBook M4 Max vagy ennél erősebb konfigurációkon. Ugyanakkor a modellt jelenleg nem tették nyilvánosan elérhetővé: a cég biztonsági kutatókat hívott meg a rendszer tesztelésére, valószínűleg olyan kockázatok felmérésére, amikor egy hangasszisztens megtévesztheti a beszélgetőpartnerét.
Miért számít ez üzleti szempontból?
A Block már korábban is alkalmazott hangalapú megoldásokat a pénzügyi és kisvállalati szolgáltatásaiban — például a Square rendszerein belül —; egy helyben futó, érzelemdús hangmodell azonban alacsonyabb költséggel és szélesebb körű felhasználási lehetőségekkel szolgálhat mind fogyasztói, mind üzleti alkalmazásokban. A cég szerint a hang a legtermészetesebb módja az intelligens rendszerekkel való interakciónak, és a Dessa ezt az élményt igyekszik hitelesebbé tenni.
