Dessa AI: نموذج Block الصوتي الذي لم يرَ نصًا قط

في 23 أكتوبر كشفت Block، شركة جاك دورسي، عن Dessa AI، وهو نموذج للمحادثة الصوتية من نوع speech-to-speech، دُرِّب من الصفر على تسجيلات الكلام البشري فقط. بلا نص، وبلا أي نموذج مُدرَّب مسبقًا. وصل الإعلان إلى الصفحة الأولى في Hacker News، حيث جمع قرابة 190 نقطة وبضع عشرات من التعليقات.

ما الجديد في Dessa AI؟

تعمل معظم المساعدات الصوتية على هذا النحو: يُحوَّل الكلام إلى نص، ثم يردّ نموذج لغوي بنص، وفي النهاية يُحوَّل هذا النص إلى كلام من جديد. وفي الطريق تضيع المشاعر والسخرية والضحك والوقفات.

أما Dessa AI فيتخطى هذه المرحلة. وبحسب الإعلان:

1. لم يرَ كلمة نصية واحدة – تعلّم فقط من محادثات بشرية مسجّلة. ويشبّه فريق Dessa ذلك بالأطفال الذين يتعلمون الكلام قبل أن يروا كلمة مكتوبة (مقتبسًا “Babies learn to talk without ever seeing a word written down”).
2. يعمل بنظام الاتجاه المزدوج الكامل (full-duplex)، أي أنه يستمع ويتكلم في الوقت نفسه. يستطيع أن يقحم “yeah” أو “got it”، وأن يقاطع في لحظة طبيعية، وأن يتفاعل مع تنهيدة أو صوت يتهدّج.
3. أتقن اللغة من عدد كلمات أقل بمئات المرات مما تحتاجه النماذج اللغوية الكبيرة. ولم تذكر Block الرقم الدقيق.
4. جرى التدريب على نظام NVIDIA GB200 NVL72 واحد فقط.
5. يعمل أسرع من النماذج النصية الفورية، ويمكن تشغيله محليًا على MacBook Pro بمعالج M4 Max أو أقوى.

صحيح أن الكلمة المنطوقة، بحسب Block، تشغل آلاف أضعاف البايتات التي تشغلها الكلمة نفسها مكتوبةً - وهذا ما يجعل كفاية خزانة خوادم (rack) واحدة للتدريب أمرًا مفاجئًا أكثر.

من يقف وراء Dessa؟

فريق صغير جدًا: ستة باحثين وبضعة متدربين. يقوده راغافان ثوراي راتنام (Ragavan Thurairatnam)، أحد مؤسسي شركة Dessa الناشئة في تورونتو، التي استحوذت عليها Block عام 2020. وبحسب AI Polix، يرفع المختبر تقاريره مباشرة إلى دورسي، ويعمل الفريق على بناء نماذج توليدية للكلام منذ أكثر من ثماني سنوات.

كيف تبدو المحادثات مع Dessa؟

نشرت Block تسجيلات مع ترجمة نصية: تساعد Dessa شخصًا على تذكّر عنوان فيلم غاب عن ذهنه، وتتأثر عند سماع خبر مفاجأة في ذكرى زواج، وتقدّم نصائح حياتية، وتغني بالإسبانية، وتلعب ألعاب التخمين. وهناك أيضًا سلسلة محادثات مع GPT-Live-1، النموذج الصوتي من OpenAI.

في Hacker News، أُعجب بعضهم بسلاسة المحادثة (كتب أحد المعلقين أنه “clearly far far superior in terms of fluidity of conversation”)، لكن آخرين لفتوا إلى أن الصوت رائع، غير أن “الذكاء” وراءه قليل، مقتبسين “The intelligence sounds lacking”. كما تصف The Verge المحادثات بأنها طبيعية في معظمها، لكنها محرجة أحيانًا. وفي أحد التسجيلات يحيّي النموذج محدّثه باسم رونالدو ;)

ما الذي ينبغي الانتباه إليه؟

أولًا، كل هذا تصريحات من Block. لا توجد ورقة علمية ولا اختبارات قياسية (benchmarks) ولا حجم للنموذج ولا ترخيص، والعرض التوضيحي اختير بعناية. لنتعامل معه بتحفّظ إلى أن تظهر آراء مستقلة.

ثانيًا، الأمان. الصوت الذي يبدو بشريًا أداة جاهزة للمحتالين أيضًا، وهذا القلق تحديدًا هو الأكثر تكرارًا في التعليقات. أما Block فتحاجج بالعكس: بحسب الفريق، فإن الذكاء الاصطناعي اليوم “nearly deaf to the emotion in our voices”، لذا قد لا يلاحظ شخصًا يمرّ بأزمة، بينما قد يتفاعل نموذج يسمع المشاعر بشكل أفضل.

كيف تجرّب Dessa AI؟

ليس ممكنًا حاليًا. على صفحة Dessa يمكننا التسجيل في قائمة الانتظار، ويمكن لباحثي أمان الذكاء الاصطناعي طلب وصول مبكر عبر البريد الإلكتروني لمؤسساتهم. لا يوجد موعد لإتاحة أوسع، ولا يُعرف أيضًا إن كانت الأوزان ستكون مفتوحة.

إذا وصلت Dessa فعلًا إلى الحواسيب المحمولة، فستكون نموذجًا آخر يمكن تشغيله على جهازك، وهو ما كتبت عنه في دليل كيف تشغّل الذكاء الاصطناعي محليًا. وللمقارنة، من واجهات API الصوتية الجاهزة للاستخدام مثلًا Voxtral 3 من Mistral، غير أنه يعمل وفق المخطط التقليدي القائم على التفريغ النصي.

الأسئلة الشائعة

ما هو Dessa AI؟

نموذج تجريبي للمحادثة الصوتية من Block (شركة جاك دورسي). يستقبل الصوت ويولّده مباشرة، دون تحويل الكلام إلى نص، ويستطيع الاستماع والتكلم في آن واحد.

هل Dessa AI متاح مجانًا؟

ليس متاحًا للعامة حتى الآن. تتيحه Block لعدد محدد من باحثي أمان الذكاء الاصطناعي فقط، وتدير قائمة انتظار. ولم يُعلَن عن أسعار ولا عن موعد إطلاق.

هل تتحدث Dessa العربية؟

لم تذكر Block ذلك. التسجيلات المنشورة بالإنجليزية في معظمها، وهناك تسجيل واحد فيه غناء بالإسبانية.