Blog

Dessa از Block: مدل گفت‌وگویی که فقط با شنیدن صدای آدم‌ها حرف زدن یاد گرفت

Block (شرکت جک دورسی) از Dessa رونمایی کرد: مدل صوتی full-duplex که بدون هیچ متنی و فقط با صدای مکالمه‌ی انسان‌ها آموزش دیده، احساس را می‌فهمد و روی مک لوکال اجرا می‌شود.

24 Oct 2026 · 3 min read · هوش مصنوعی · Block · Dessa · مدل صوتی · Speech AI · جک دورسی

Dessa از Block: مدل گفت‌وگویی که فقط با شنیدن صدای آدم‌ها حرف زدن یاد گرفت

تیم کوچکی از پژوهشگران هوش مصنوعی در Block (شرکت جک دورسی، صاحب Square و Cash App) از Dessa رونمایی کرد: یک مدل گفت‌وگوی صوتی که به گفته‌ی خودشان فقط و فقط با صدای مکالمه‌ی انسان‌ها آموزش دیده. نه متن، نه مدل زبانی از پیش آموزش‌دیده؛ صدا وارد می‌شود و صدا بیرون می‌آید. این خبر در Hacker News هم با بیش از ۳۸۰ امتیاز جزو داغ‌ترین‌های روز بود.

صفحه‌ی معرفی Dessa: می‌توانید تشخیص دهید کدام صداها هوش مصنوعی است؟
«می‌توانید تشخیص دهید کدام صداها AI هستند؟» – ویدیوی معرفی Dessa (منبع: block.xyz/dessa)

Dessa دقیقاً چیست؟

  • Speech-to-Speech واقعی: بیشتر دستیارهای صوتی امروز صدای شما را به متن تبدیل می‌کنند، به LLM می‌دهند و جواب را دوباره به صدا برمی‌گردانند. Dessa این زنجیره را ندارد و مستقیم روی صدا کار می‌کند.
  • Full-duplex: هم‌زمان گوش می‌دهد و حرف می‌زند؛ وسط حرفتان «آره»، «اوهوم» می‌گوید، به‌موقع می‌پرد وسط و اگر چیزی خنده‌دار باشد همان لحظه می‌خندد، نه بعد از تمام شدن جمله.
  • احساس را می‌شنود: طعنه، آه کشیدن، لرزش صدا از ناراحتی و خنده را مستقیم از خود صدا می‌فهمد؛ چیزهایی که در تبدیل به متن از بین می‌روند.
  • سریع‌تر از real-time و قابل اجرا به‌صورت لوکال روی MacBook Pro M4 Max یا قوی‌تر.
  • آموزش کل مدل روی فقط یک NVIDIA GB200 NVL72 انجام شده و به گفته‌ی تیم، زبان را با صدها برابر کلمه‌ی کمتر از LLMها یاد گرفته.
کاربری در حال گفت‌وگوی صوتی با Dessa روی گوشی
نمونه‌ای از ویدیوهای معرفی؛ همه‌ی کلیپ‌های سایت، ضبط زنده‌ی گفت‌وگوی آدم‌ها با Dessa است (منبع: block.xyz/dessa)

دموها چه نشان می‌دهند؟

Block چند کلیپ ضبط‌شده منتشر کرده که در آن‌ها کسی مدل را هدایت نمی‌کند: Dessa اسم فیلمی را که کاربر یادش رفته کامل می‌کند، وقتی سورپرایز سالگرد را می‌شنود زیر لب «اوه خدای من» می‌گوید، و حتی در یک دمو با GPT-Live-1 (مدل صوتی ChatGPT) گفت‌وگو می‌کند. اگر بخواهید بلندتر حرف بزند، صدایش را بالا می‌برد؛ چیزی که به گفته‌ی تیم کسی به آن یاد نداده.

گفت‌وگوی صوتی با Dessa داخل خودرو
هدف Block: گفت‌وگوی صوتی طبیعی، با مکث و لحن و احساس واقعی (منبع: block.xyz/dessa)

چه کسانی پشتش هستند؟

این تیم را اعضای سابق استارتاپ کانادایی Dessa (تورنتو) تشکیل داده‌اند که از ۲۰۱۲ روی دیپ‌لرنینگ و بیش از هشت سال روی مدل‌های مولد صوت کار کرده‌اند و مستقیم به جک دورسی گزارش می‌دهند. فعلاً مدل عمومی نیست: یک لیست انتظار باز شده و دسترسی زودهنگام فقط به گروهی از پژوهشگران ایمنی هوش مصنوعی داده می‌شود تا ریسک‌های پیش‌بینی‌نشده‌ی مدلی که فقط از صدا حرف زدن یاد گرفته را پیدا کنند.

نظر من

به نظرم این یکی از جالب‌ترین خبرهای AI این هفته است، نه به خاطر اینکه Dessa از GPT یا Claude باهوش‌تر باشد (قطعاً نیست)، بلکه به خاطر مسیرش. همه‌ی دستیارهای صوتی که تا امروز دیده‌ایم در اصل یک LLM متنی با یک لایه‌ی STT/TTS هستند و برای همین آن مکث مصنوعی و لحن رباتیک را دارند. اینکه یک مدل فقط با «گوش دادن» یاد بگیرد مکالمه کند، شبیه کاری است که بچه‌ها می‌کنند، و اگر درست باشد یعنی صدا خودش می‌تواند یک داده‌ی آموزشی مستقل باشد، نه فقط ورودی برای تبدیل به متن.

دو نکته را هم نباید فراموش کرد: اول، فعلاً همه‌چیز دمو و لیست انتظار است و تا خودمان امتحانش نکنیم نمی‌شود درباره‌ی کیفیت واقعی قضاوت کرد. دوم، مدلی که این‌قدر طبیعی حرف بزند و احساس را بفهمد، برای کلاهبرداری صوتی و جعل هویت هم ابزار ترسناکی است؛ خوب است که Block از اول سراغ پژوهشگران ایمنی رفته. اجرای لوکال روی مک هم برای ما توسعه‌دهنده‌ها خبر خوبی است؛ اگر روزی وزن‌ها یا API منتشر شود، ساختن اپ‌های صوتی واقعاً طبیعی خیلی ساده‌تر می‌شود.

منابع: صفحه‌ی رسمی Dessa در Block · بحث Hacker News

Comments0

Comments +

00

No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.

Leave a comment

0 / 2000