Dessa, Suara AI dari Block yang Tertawa dan Menangis Seperti Manusia

Block, perusahaan pembayaran yang didirikan oleh Jack Dorsey, baru saja memperkenalkan sesuatu yang lebih dari sekadar asisten suara biasa. Model ini bernama Dessa, keluar dari laboratorium penelitian perusahaan dan melakukan sesuatu yang tidak bisa dilakukan oleh sebagian besar pesaing: terdengar benar-benar manusiawi. Dengan tawa, jeda, desahan, dan bahkan nada suara yang seolah-olah akan menangis, teknologi ini menimbulkan kekaguman sekaligus kekhawatiran serius tentang penipuan.

Inovasi ini datang pada saat pasar kecerdasan buatan mengalami perlombaan sengit untuk membuat interaksi suara lebih alami. Namun, sementara sebagian besar model masih mengonversi ucapan menjadi teks sebelum memproses respons, Dessa mencoba sesuatu yang berbeda. Dan ini mengubah persamaan secara signifikan.

Bagaimana Dessa Bekerja dan Mengapa Berbeda

Sebagian besar sistem suara dengan AI mengikuti jalur yang dapat diprediksi: Anda berbicara, model mentranskripsikan ke teks, memproses informasi, menghasilkan respons dalam teks, dan kemudian mengonversinya menjadi audio. Ini adalah rantai dengan banyak langkah, dan masing-masing dari mereka mengabaikan nuansa emosional. Nada ketidaksabaran dalam suara Anda, keraguan sebelum sebuah pertanyaan, sarkasme yang halus, semua itu hilang dalam transkripsi.

Dessa beroperasi sebagai model full-duplex, yang berarti berbicara dan mendengarkan secara bersamaan, sama seperti GPT-Live dari OpenAI yang diluncurkan tahun ini. Perbedaan utama yang diklaim oleh Block adalah bahwa emosi tidak ditambahkan melalui tag atau perintah eksternal. Emosi tersebut terbenam dalam model itu sendiri, yang dilatih sepenuhnya dengan data ucapan manusia yang nyata.

Dalam demonstrasi yang dipublikasikan oleh tim penelitian, model ini mengambil berbagai suara, irama, dan keadaan emosional. Dalam sebuah percakapan, Dessa mengatakan bahwa ia merasa lelah setelah seharian bekerja, dan nada suaranya benar-benar terdengar lelah. Dalam percakapan lain, saat berbicara tentang seseorang yang membuatnya merasa nyaman, suaranya terhenti, hampir pecah.

Berjalan di Laptop, Bukan di Pusat Data

Mungkin data yang paling relevan untuk pasar teknologi adalah infrastruktur yang diperlukan. Dessa dilatih di satu rak GPU NVIDIA dan dapat berjalan secara lokal di komputer konsumen, seperti MacBook dengan chip M4 Max atau lebih tinggi. Ini sangat mencolok.

Sebagian besar model suara canggih bergantung pada server cloud yang berat, yang menghasilkan latensi dan biaya tinggi. Model yang berjalan di perangkat membuka kemungkinan untuk aplikasi waktu nyata, tanpa koneksi internet yang konstan, dan dengan biaya operasional yang jauh lebih rendah. Bagi perusahaan seperti Block, yang sudah beroperasi di dunia pembayaran dan solusi untuk bisnis kecil, implikasi praktisnya langsung: layanan otomatisasi berkualitas tinggi berjalan di perangkat pedagang itu sendiri.

Square, cabang Block yang ditujukan untuk bisnis kecil, sudah menggunakan AI suara untuk mengelola pesanan. Dengan Dessa, perusahaan bisa membawa pengalaman ini ke tingkat di mana pelanggan bahkan tidak menyadari bahwa mereka berbicara dengan mesin.

Masalah Realisme yang Berlebihan

Dan inilah dilema yang tak terhindarkan yang menyertai jenis kemajuan ini. Jika sebuah AI terdengar tidak dapat dibedakan dari manusia, kemungkinan penggunaannya dalam penipuan meningkat sebanding. Bayangkan menerima panggilan dengan suara emosional seseorang yang meminta pertolongan, dan suara itu sepenuhnya sintetis.

Block sendiri mengakui risiko tersebut. Perusahaan tidak memberikan akses publik ke Dessa dan menerbitkan panggilan untuk peneliti keamanan menguji model tersebut. Tujuan yang dinyatakan adalah untuk mengidentifikasi skenario di mana agen suara dapat menipu orang di sisi lain telepon. Ini adalah langkah yang bijaksana, tetapi menunjukkan seberapa jauh teknologi telah maju ke wilayah yang sensitif.

Pasar deepfake audio sudah menyebabkan kerugian miliaran dolar. Menurut Komisi Perdagangan Federal Amerika Serikat, penipuan yang melibatkan imitasi suara menyebabkan kerugian lebih dari 2,7 miliar dolar pada tahun 2023. Model seperti Dessa, yang menambahkan lapisan emosional yang realistis, membuat deteksi semakin sulit.

Apa Artinya Ini untuk Lanskap AI

Keputusan Block untuk terjun ke dalam permainan model suara mengungkapkan sesuatu tentang arah pasar. Perusahaan fintech tidak ingin bergantung pada penyedia eksternal seperti OpenAI, ElevenLabs, atau Google untuk fungsi layanan yang kritis. Mengembangkan model kepemilikan yang berjalan secara lokal adalah strategi untuk mengurangi biaya dan sekaligus membedakan diri secara kompetitif.

Block bukanlah yang pertama menempuh jalan ini. Namun, pendekatan untuk melatih secara eksklusif dengan data ucapan manusia, tanpa melalui perantara teks, dapat mewakili titik balik bagi industri. Jika model ini memenuhi apa yang dijanjikan dalam skala, integrasi antara AI suara dan layanan keuangan memasuki fase baru.

Sementara itu, Dessa tetap tertutup. Tidak ada tenggat waktu untuk peluncuran publik. Namun, fakta bahwa model dengan tingkat ekspresivitas ini berjalan di laptop sudah menceritakan sebuah kisah tentang ke mana teknologi ini menuju. Dan tentang risiko yang datang bersamanya.

Bagi sektor keuangan, persamaannya jelas: siapa pun yang menguasai antarmuka suara dengan AI akan memiliki keuntungan besar dalam layanan, biaya, dan pengalaman pengguna. Pertanyaan yang tersisa adalah apakah regulasi akan mampu mengikuti ritme.