Das von Jack Dorsey geleitete Unternehmen Block hat über sein Forschungslabor die Entwicklung eines neuen Sprachmodells namens Dessa bekannt gegeben. Das Modell zeichnet sich durch seine Fähigkeit aus, lokal auf Endbenutzergeräten zu laufen und Sprachnuancen zu erzeugen, die menschlichen Ausdrucksformen sehr nahekommen. Dies gelingt durch die Einbindung von Pausen, Seufzern und natürlichen emotionalen Ausdrucksformen, ohne dass herkömmliche Text-zu-Sprache-Methoden erforderlich sind.
Das Modell Dessa wurde vollständig mit menschlichen Sprachdaten unter Verwendung eines einzigen Racks von NVIDIA-Grafikprozessoren trainiert. Es zeichnet sich dadurch aus, dass es ein vollständig bidirektionales Modell (Full-Duplex) ist, wodurch es gleichzeitig sprechen und zu hören kann. Zudem bezieht es sein Wissen direkt aus Konversationsdaten, anstatt an ein großes Sprachmodell zur Informationsbeschaffung gekoppelt zu sein.
Das Unternehmen erklärte, dass aktuelle Sprachmodelle oft unnatürlich oder störend wirken, da sie auf eine vorherige Textverarbeitung angewiesen sind, um Ton zu erzeugen, und meist akustische Marker verwenden, um emotionale Ausdrucksweise zu erzwingen. Im Gegensatz dazu betont Block, dass die emotionale Seite in die Grundarchitektur seines Modells integriert ist. Forscher haben Hörbeispiele veröffentlicht, die die Variation der Assistentenstimmen und deren Veränderung je nach emotionalem Zustand verdeutlichen, wie etwa den Ausdruck von Müdigkeit oder die Teilnahme an Rollenspiel-Interaktionen.
Was ändert sich in der Praxis?
Das Modell Dessa besitzt die technische Fähigkeit, lokal auf Personal Computern mit Verbraucherspezifikationen wie einem MacBook M4 Max oder höher zu arbeiten. Diese Entwicklung stellt eine potenzielle Chance für Unternehmen wie Square von Block dar, die bereits KI-Sprachassistenten für die Bestellverwaltung einsetzen. Der lokale Betrieb auf Geräten ermöglicht interaktive Benutzererlebnisse zu geringeren Betriebskosten und ohne die Notwendigkeit komplexer Cloud-Infrastrukturen.
Einschränkungen und aktuelle Verfügbarkeit
Bisher hat das Unternehmen das Modell Dessa nicht für die öffentliche Nutzung freigegeben. Der aktuelle Schritt beschränkt sich darauf, Sicherheitsforscher einzuladen, das Modell zu testen und potenzielle Risiken zu bewerten, insbesondere solche im Zusammenhang mit der Fähigkeit von Sprachagenten, Menschen auf eine Weise zu imitieren, die zur Täuschung von Einzelpersonen genutzt werden könnte.