Dessa AI چیست؟ معرفی مدل صوتی شرکت Block

شرکت Block در ۲۳ اکتبر ۲۰۲۶ از مدل هوش مصنوعی صوتی Dessa رونمایی کرد؛ به گفته این شرکت، این مدل برخلاف دیگر مدل‌ها، بدون استفاده از داده‌های متنی و صرفاً از طریق شنیدن مکالمات انسانی آموزش دیده است. دسابا پشتیبانی از مکالمه هم‌زمان (Full-Duplex)، هنگام صحبت کردن به صدای مخاطب گوش می‌دهد و به تغییرات لحن، مکث‌ها و نشانه‌های احساسی پاسخ می‌دهد. در حال حاضر دسترسی عمومی به این مدل محدود است و تنها گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی به نسخه اولیه آن دسترسی دارند.

آنچه در این مقاله می‌خوانید:

• معرفی مدل صوتی پیشرفته Dessa + تفاوت آن با دستیارهای صوتی سنتی
• ۴ قابلیت‌ کلیدی هوش مصنوعی گفت‌و‌گو محور Dessa؛ از آموزش صوتی تا مکالمه هم‌زمان
• کاربردهای احتمالی هوش مصنوعی دسا در مراکز تماس و تجارت صوتی
• وضعیت دسترسی عمومی و سخت‌افزار مورد نیاز برای اجرای Dessa
• تجربه مکالمه صوتی فارسی با «هوشا لایو» و آشنایی با ابزارهای هوشا

هوش مصنوعی دسا (Dessa AI) چیست و چگونه آموزش دیده است؟

Dessa یک مدل گفتاربه‌گفتار (Speech-to-Speech) پیشرفته است که در آزمایشگاه هوش مصنوعی شرکت Block توسعه یافته است. هدف اصلی تیم توسعه از طراحی دیسا، بررسی یک فرضیه مهم در هوش مصنوعی بود: آیا یک مدل می‌تواند صرفاً از طریق «شنیدن» مکالمات انسانی، توانایی‌های زبانی و مهارت‌های گفت‌وگو را مانند یک کودک یاد بگیرد؟

بر همین اساس، طبق توضیحات منتشر شده در وب‌سایت رسمی دیسا، این مدل بدون استفاده از داده‌های متنی یا مدل‌های ازپیش‌ آموزش‌ دیده ساخته شده است تا تعاملی کاملاً طبیعی و بدون واسطه ایجاد کند.

هوش مصنوعی گفت‌وگو محور Dessa چه تفاوتی با سایر مدل‌های صوتی دارد؟

برخلاف اکثر دستیارهای صوتی رایج که ابتدا گفتار کاربر را به متن تبدیل می‌کنند (STT)، متن را پردازش کرده و سپس پاسخ را دوباره به صدا تبدیل می‌کنند (TTS)، هوش مصنوعی دسا مستقیماً با داده‌های صوتی ورودی و خروجی کار می‌کند.

علاوه بر این، یکی از تمایزهای اصلی Dessa پشتیبانی از مکالمه تمام‌دوطرفه (Full-Duplex) است.

این قابلیت به مدل اجازه می‌دهد هم‌زمان با صحبت کردن، به صدای طرف مقابل گوش دهد و برای پاسخ‌گویی نیازی به منتظر ماندن تا پایان کامل نوبت مکالمه مخاطب نداشته باشد.

چت جی پی تی صوتی؛ آموزش صحبت با ChatGPT Voice در وب و اپ

قابلیت‌های مهم مدل دسا Dessa AI

بر اساس توضیحات شرکت Block و نمونه‌های منتشر شده، مهم‌ترین ویژگی‌های هوش مصنوعی دسا عبارت‌اند از:

• آموزش مبتنی بر صوت: سازندگان می‌گویند مدل از ابتدا با مکالمات صوتی انسان آموزش دیده و از داده متنی یا مدل ازپیش‌آموزش‌دیده استفاده نکرده است.
• مکالمه هم‌زمان: Dessa می‌تواند صحبت کردن و شنیدن را به‌صورت هم‌زمان مدیریت کند.
• توجه به لحن و مکث‌ها: مدل در نمونه‌های منتشرشده، تغییرات لحن، خنده، مکث و واکنش‌های صوتی متنوعی نشان می‌دهد.
• امکان اجرای محلی: طبق اعلام سازندگان، مدل روی MacBook Pro مجهز به تراشه M4 Max یا سخت‌افزار قوی‌تر قابل اجراست.

این قابلیت‌ها می‌توانند مسیر توسعه چت صوتی با هوش مصنوعی را تغییر دهند؛ بااین‌حال، نمونه‌های نمایشی به‌تنهایی برای اثبات برتری مدل در همه موقعیت‌ها کافی نیستند.

نمونه‌های مکالمه Dessa چه قابلیت‌ها و محدودیت‌هایی را نشان می‌دهند؟

شرکت Block برای معرفی هوش مصنوعی دسا چند نمونه از مکالمات صوتی آن را منتشر کرده است که ابعاد مختلف عملکرد مدل را به نمایش می‌گذارند. بر اساس این ویدیوهای نمایشی، ویژگی‌های رفتاری دسارا می‌توان به این موارد خلاصه کرد:

• تعاملات سرگرم‌کننده و روزمره: مدل به خوبی در بازی‌های حدس‌زدنی شرکت می‌کند، درباره فیلم‌ها گفتگو می‌کند و در واکنش به کلام مخاطب، لحن و حالت صدای خود را تغییر می‌دهد.
• واکنش‌های احساسی و طبیعی: در یکی از مکالمات، دسابه موضوع یک سفر غافلگیرکننده واکنشی عاطفی و متناسب نشان می‌دهد.
• وجود خطاهای پیش‌بینی‌نشده: در سوی مقابل، نمونه‌هایی نیز دیده شده که مدل هنگام گفتگو با مخاطب، در تشخیص هویت او دچار اشتباه می‌شود که نشان‌دهنده پتانسیل بروز رفتارهای غیر منتظره است.

اگرچه ویدیوهای نمایشی شرکت Block شواهد اولیه‌ای از شیوه تعامل صوتی دسا ارائه می‌دهند، اما برای ارزیابی دقیق پایداری، امنیت و توانایی‌های واقعی آن، باید منتظر آزمایش‌های مستقل و بررسی‌های تخصصی‌تر ماند. 

کاربردهای احتمالی هوش مصنوعی دسا در خدمات مشتریان و تعامل صوتی

یکی از اهداف اعلام‌شده تیم سازنده Dessa AI، توسعه تعامل طبیعی‌تر میان انسان و هوش مصنوعی است. در مکالمات واقعی، معنا فقط از واژه‌ها منتقل نمی‌شود؛ مکث، لحن، خنده و تغییرات صوتی نیز می‌توانند در درک منظور مخاطب نقش داشته باشند.

مدل‌هایی مانند Dessa که مستقیماً با داده‌های صوتی کار می‌کنند، به جای اینکه فقط «چه چیزی گفتن» را پردازش کنند، «چگونه گفتن» را نیز درک می‌کنند. این رویکرد می‌تواند آینده تکنولوژی‌های صوتی را در چند بخش کلیدی زیر متحول کند.

۱. تحول در خدمات مشتریان و مراکز تماس (Contact Centers)

بیشتر سیستم‌های صوتی فعلی هنگام قطع شدن صحبت، حس کردن کلافگی یا تغییر لحن مشتری دچار اشتباه می‌شوند. مدل‌های گفتاربه‌گفتار می‌توانند واکنش‌های همدلانه‌تر و سریع‌تری نشان دهند.

۲. توسعه تجارت صوتی (Voice Commerce)

 تشخیص تردید مشتری در هنگام خرید یا پرسش صوتی می‌تواند به ایجنت‌های هوشمند کمک کند تا پاسخ‌های دقیق‌تر و مناسب‌تری ارائه دهند.

۳. توجه به ایمنی و حالت روحی کاربر

 تیم توسعه Dessa به این نکته اشاره کرده که تشخیص نشانه‌های احتمالی درد، استرس یا ناراحتی در صدای کاربر می‌تواند در تعاملات حساس اهمیت بالایی داشته باشد.

البته باید به این نکته تحلیلی توجه داشت که توانایی تولید صدایی همدلانه یا واکنش صوتی طبیعی، لزوماً به معنای درک واقعی احساسات انسانی توسط هوش مصنوعی نیست و این حوزه همچنان نیازمند بررسی‌ها و ارزیابی‌های اخلاقی و فنی بیشتری است.

آیا Dessa AI در دسترس عموم قرار گرفته است؟

خیر؛ بر اساس اطلاعات منتشر شده تا اکتبر ۲۰۲۶ (آبان ۱۴۰۵)، هوش مصنوعی هنوز برای استفاده عمومی عرضه نشده است. شرکت Block اعلام کرده که دسترسی اولیه به گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی داده می‌شود تا خطرات احتمالی مدل بررسی شوند.

همچنین، اطلاعات کاملی درباره تعداد پارامترها، نتایج بنچمارک‌های استاندارد، قیمت‌گذاری، API و انتشار عمومی وزن‌های مدل ارائه نشده است. بنابراین، هنوز نمی‌توان درباره عملکرد آن در مقایسه با دیگر مدل‌های صوتی، بر اساس معیارهای استاندارد قضاوت قطعی کرد.

جایگزین‌های در دسترس برای تجربه هوش مصنوعی صوتی

اگرچه مدل‌هایی مانند Dessa آینده دستیارهای صوتی را متحول خواهند کرد،  اما برای دسترسی به قابلیت‌های صوتی هوشمند و ابزارهای روز دنیا نیازی به انتظار برای انتشار عمومی آن‌ها ندارید. 

شما می‌توانید با استفاده از قابلیت «هوشا لایو» در هوش مصنوعی آنلاین فارسی هوشا، مکالمه صوتی زنده را به زبان فارسی تجربه کنید. 

هوشا لایو؛ تجربه مکالمه صوتی به زبان فارسی

اگر می‌خواهید تعامل صوتی هوشمند و مکالمه هم‌زمان را خودتان به زبان فارسی تجربه کنید، می‌توانید از قابلیت هوشا لایو در این پلتفرم استفاده کنید. طبق آخرین اطلاعات بررسی‌شده در آبان ۱۴۰۵، این قابلیت با ارائه‌ی ۴۰ اعتبار رایگان روزانه، تجربه‌ای نزدیک به دستیارهای صوتی پیشرفته جهانی را در اختیارتان می‌گذارد.

دسترسی به ابزارهای متنی و چندرسانه‌ای هوشا

هوشا با گردآوری جامع‌ترین ابزارهای هوش مصنوعی، امکان بررسی و استفاده از این فناوری‌ها را به زبان فارسی برای کاربران ایرانی فراهم کرده است. همچنین طبق اطلاعات بررسی‌شده در آبان ۱۴۰۵، با دریافت ۱۲۰ اعتبار رایگان روزانه در هوشا، امکان تست و گفت‌وگو با قدرتمندترین مدل‌های هوش مصنوعی دنیا (از جمله چت جی پی تی، Claude، Gemini و Grok) به سادگی برای شما فراهم است. 

جمع‌بندی

هوش مصنوعی صوتی دسا (Dessa) رویکرد متفاوتی را در توسعه هوش مصنوعی صوتی دنبال می‌کند: آموزش مستقیم با مکالمات صوتی و امکان شنیدن و صحبت کردن به‌صورت هم‌زمان

 اگر این رویکرد در آزمایش‌های مستقل نیز نتایج قابل‌اتکایی نشان دهد، می‌تواند به توسعه دستیارهای صوتی طبیعی‌تر کمک کند. بااین‌حال، تا زمان انتشار ارزیابی‌های مستقل و فراهم شدن دسترسی گسترده‌تر، باید میان قابلیت‌های اعلام‌شده از سوی سازندگان و عملکرد اثبات‌شده مدل تفاوت قائل شد.

در این بین برای تجربه‌ی به‌روزترین فناوری‌های هوش مصنوعی صوتی و متنی به زبان فارسی و بدون نیاز به ابزارهای جانبی، می‌توانید از امکانات مختلف پلتفرم هوشا استفاده کنید.

نویسنده:حمیده نیکویان