Dessa, เสียง AI ของ Block ที่หัวเราะและร้องไห้เหมือนมนุษย์

Block บริษัทด้านการชำระเงินที่ก่อตั้งโดย Jack Dorsey เพิ่งเปิดตัวสิ่งที่เกินกว่าผู้ช่วยเสียงทั่วไป โมเดลนี้ชื่อว่า Dessa ออกมาจากห้องปฏิบัติการวิจัยของบริษัทและทำสิ่งที่คู่แข่งส่วนใหญ่ไม่สามารถทำได้: ฟังดูเหมือนมนุษย์อย่างแท้จริง ด้วยเสียงหัวเราะ การหยุดชั่วคราว การถอนหายใจ และแม้แต่โทนเสียงที่เหมือนคนกำลังจะร้องไห้ เทคโนโลยีนี้สร้างความชื่นชมและความกังวลอย่างจริงจังเกี่ยวกับการฉ้อโกง

นวัตกรรมนี้มาถึงในช่วงเวลาที่ตลาดปัญญาประดิษฐ์กำลังแข่งขันกันอย่างเข้มข้นเพื่อทำให้การโต้ตอบด้วยเสียงเป็นธรรมชาติมากขึ้น แต่ในขณะที่โมเดลส่วนใหญ่ยังคงแปลงคำพูดเป็นข้อความก่อนที่จะประมวลผลคำตอบ Dessa พยายามทำสิ่งที่แตกต่างออกไป และนี่เปลี่ยนสมการอย่างมีนัยสำคัญ

Dessa ทำงานอย่างไรและทำไมถึงแตกต่าง

ระบบเสียง AI ส่วนใหญ่มีแนวทางที่คาดเดาได้: คุณพูด โมเดลแปลงเป็นข้อความ ประมวลผลข้อมูล สร้างคำตอบในรูปแบบข้อความและจากนั้นแปลงเป็นเสียง นี่เป็นกระบวนการที่มีหลายขั้นตอน และแต่ละขั้นตอนจะทำให้ความรู้สึกทางอารมณ์สูญหาย โทนเสียงที่แสดงถึงความไม่อดทนในเสียงของคุณ ความลังเลก่อนที่จะถาม ความประชดประชันเล็กน้อย ทั้งหมดนี้จะหายไปในการถอดความ

Dessa ทำงานเป็นโมเดลแบบ full-duplex ซึ่งหมายความว่าสามารถพูดและฟังได้ในเวลาเดียวกัน เช่นเดียวกับ GPT-Live ของ OpenAI ที่เปิดตัวในปีนี้ ความแตกต่างที่ Block อ้างถึงคืออารมณ์ไม่ได้ถูกเพิ่มเข้ามาผ่านแท็กหรือคำสั่งภายนอก แต่จะถูกฝังอยู่ในโมเดลเอง ซึ่งได้รับการฝึกฝนด้วยข้อมูลเสียงของมนุษย์จริงทั้งหมด

ในการสาธิตที่เผยแพร่โดยทีมวิจัย โมเดลได้แสดงเสียงที่แตกต่างกัน จังหวะและสถานะทางอารมณ์ ในการสนทนา Dessa กล่าวว่ารู้สึกเหนื่อยหลังจากวันทำงาน และโทนเสียงฟังดูเหนื่อยจริงๆ ในอีกกรณีหนึ่ง เมื่อพูดถึงคนที่ทำให้รู้สึกสบายใจ เสียงของเธอก็สั่นเครือเกือบจะร้องไห้

ทำงานบนแล็ปท็อป ไม่ใช่ในศูนย์ข้อมูล

อาจเป็นข้อมูลที่สำคัญที่สุดสำหรับตลาดเทคโนโลยีคือโครงสร้างพื้นฐานที่จำเป็น Dessa ได้รับการฝึกฝนใน rack เดียวของ GPU NVIDIA และสามารถทำงานได้ในเครื่องคอมพิวเตอร์ทั่วไป เช่น MacBook ที่มีชิป M4 Max หรือสูงกว่า นี่เป็นเรื่องที่น่าทึ่ง

โมเดลเสียงขั้นสูงส่วนใหญ่ขึ้นอยู่กับเซิร์ฟเวอร์คลาวด์ขนาดใหญ่ ซึ่งทำให้เกิดความล่าช้าและค่าใช้จ่ายสูง โมเดลที่ทำงานบนอุปกรณ์เปิดโอกาสให้กับแอปพลิเคชันแบบเรียลไทม์ โดยไม่ต้องเชื่อมต่อกับอินเทอร์เน็ตตลอดเวลา และมีค่าใช้จ่ายในการดำเนินงานที่ลดลงอย่างมาก สำหรับบริษัทอย่าง Block ที่ดำเนินงานในด้านการชำระเงินและโซลูชันสำหรับธุรกิจขนาดเล็ก ผลกระทบที่เป็นรูปธรรมคือการให้บริการลูกค้าอัตโนมัติที่มีคุณภาพสูงทำงานบนอุปกรณ์ของผู้ค้าเอง

Square ซึ่งเป็นแขนของ Block ที่มุ่งเน้นไปที่ธุรกิจขนาดเล็ก ใช้ AI เสียงในการจัดการคำสั่งซื้ออยู่แล้ว ด้วย Dessa บริษัทสามารถยกระดับประสบการณ์นี้ไปสู่ระดับที่ลูกค้าไม่รู้สึกว่ากำลังพูดคุยกับเครื่องจักร

ปัญหาของความสมจริงที่มากเกินไป

และนี่คือปัญหาที่หลีกเลี่ยงไม่ได้ที่มาพร้อมกับความก้าวหน้านี้ หาก AI ฟังดูไม่แตกต่างจากมนุษย์ โอกาสในการใช้ในกลโกงก็เพิ่มขึ้นในสัดส่วนเดียวกัน ลองนึกภาพการได้รับสายโทรศัพท์ด้วยเสียงที่เต็มไปด้วยอารมณ์ของใครบางคนที่ขอความช่วยเหลือ และเสียงนั้นเป็นเสียงที่สร้างขึ้นทั้งหมด

Block เองก็รับรู้ถึงความเสี่ยง บริษัทไม่ได้เปิดให้เข้าถึง Dessa สาธารณะและได้ประกาศเรียกร้องให้นักวิจัยด้านความปลอดภัยทดสอบโมเดล เป้าหมายที่ประกาศคือการระบุสถานการณ์ที่ตัวแทนเสียงอาจหลอกลวงผู้คนที่อยู่ปลายสาย นี่เป็นมาตรการที่รอบคอบ แต่แสดงให้เห็นว่าเทคโนโลยีได้ก้าวหน้าไปสู่ดินแดนที่ละเอียดอ่อนเพียงใด

ตลาด deepfake เสียงแล้วสร้างความเสียหายหลายพันล้านดอลลาร์ ตามข้อมูลของ Federal Trade Commission ของสหรัฐอเมริกา การฉ้อโกงที่เกี่ยวข้องกับการเลียนแบบเสียงทำให้เกิดการสูญเสียมากกว่า 2.7 พันล้านดอลลาร์ในปี 2023 โมเดลเช่น Dessa ที่เพิ่มชั้นอารมณ์ที่สมจริงทำให้การตรวจจับยากขึ้นอีก

นี่หมายถึงอะไรสำหรับฉาก AI

การตัดสินใจของ Block ในการเข้าร่วมเกมโมเดลเสียงเปิดเผยบางสิ่งเกี่ยวกับทิศทางของตลาด บริษัทฟินเทคไม่ต้องการพึ่งพาผู้ให้บริการภายนอกเช่น OpenAI, ElevenLabs หรือ Google สำหรับฟังก์ชันการบริการที่สำคัญ การพัฒนาโมเดลที่เป็นเจ้าของซึ่งทำงานในเครื่องเป็นกลยุทธ์ในการลดต้นทุนและในขณะเดียวกันก็เป็นการสร้างความแตกต่างทางการแข่งขัน

Block ไม่ใช่บริษัทแรกที่เดินตามเส้นทางนี้ แต่แนวทางการฝึกฝนเฉพาะด้วยข้อมูลเสียงของมนุษย์ โดยไม่ผ่านตัวกลางของข้อความ อาจแสดงถึงจุดเปลี่ยนสำหรับอุตสาหกรรม หากโมเดลสามารถทำตามที่สัญญาในระดับที่กว้างขึ้น การรวมกันระหว่าง AI เสียงและบริการทางการเงินจะเข้าสู่ระยะใหม่

ในขณะนี้ Dessa ยังคงปิดอยู่ ไม่มีกรอบเวลาสำหรับการเปิดตัวสาธารณะ แต่ข้อเท็จจริงที่ว่าโมเดลที่มีระดับการแสดงออกเช่นนี้ทำงานบนแล็ปท็อปก็เล่าเรื่องราวเกี่ยวกับทิศทางที่เทคโนโลยีกำลังมุ่งหน้าไป และเกี่ยวกับความเสี่ยงที่มาพร้อมกับมัน

สำหรับภาคการเงิน สมการชัดเจน: ใครก็ตามที่ครองอินเตอร์เฟซเสียงด้วย AI จะมีข้อได้เปรียบอย่างมากในด้านการบริการ ค่าใช้จ่าย และประสบการณ์ของผู้ใช้ คำถามที่เหลือคือการกำกับดูแลจะสามารถตามทันได้หรือไม่?