A Block, empresa de propriedade de Jack Dorsey, anunciou o desenvolvimento de um novo modelo de áudio chamado Dessa através do seu laboratório de investigação. O modelo destaca-se pela sua capacidade de rodar localmente em dispositivos de consumo e de proporcionar tons de voz que se aproximam muito da expressão humana, incluindo pausas, suspiros e expressões emocionais naturais, sem necessidade de recorrer ao método tradicional de conversão de texto em fala.
O modelo Dessa foi inteiramente treinado com dados de fala humana utilizando apenas uma prateleira de unidades de processamento gráfico (GPUs) da NVIDIA. Destaca-se por ser um modelo totalmente bidirecional (Full-Duplex), permitindo falar e ouvir simultaneamente, além de retirar o seu conhecimento diretamente dos dados de conversação, em vez de estar ligado a um grande modelo de linguagem dedicado à recuperação de informação.
A empresa explicou que os modelos de áudio atuais parecem frequentemente nepřirocids (não naturais) ou irritantes devido à dependência do processamento prévio de texto para a emissão de voz, baseando-se maioritariamente em marcadores acústicos para impor a expressão emocional. Em contrapartida, a Block sublinha que a vertente emocional do seu modelo está integrada na sua arquitetura básica, tendo os investigadores publicado amostras de áudio que demonstram a variação e alteração dos tons do assistente consoante o estado emocional, como a expressão de cansaço ou o envolvimento em interações de encenação (role-play).
O que muda na prática?
O modelo Dessa possui a capacidade técnica de funcionar localmente em computadores pessoais com especificações de consumo, como um MacBook M4 Max ou superior. Esta evolução representa uma oportunidade potencial para empresas como a Square, propriedade da Block, que já utiliza inteligência artificial de áudio na gestão de pedidos, uma vez que a execução local nos dispositivos permite ativar experiências interativas para os utilizadores a um custo operacional inferior e sem necessidade de infraestruturas em nuvem complexas.
Limitações e disponibilidade atual
Até ao momento, a empresa não lançou o modelo Dessa para uso geral, tendo a etapa atual sido limitada a um convite a investigadores de segurança tecnológica para testar o modelo e avaliar os riscos potenciais, particularmente aqueles relacionados com a capacidade dos agentes de áudio para imitar humanos de formas que possam ser utilizadas para enganar indivíduos.