Jack Dorsey氏のBlockは、新しい音声モデル「Dessa」を、テキストや事前学習済みモデルを一切使わず、人間の音声のみで訓練した。

Blockによると、完成したモデルはMacBook Pro M4 Max以上の性能を持つ端末上でローカル実行できる。研究チームはNvidiaのサーバーを1ラック使って訓練した。

Blockによると、Dessaは、同社が把握する限り、人間の音声のみで訓練され、生き生きとしたリアルタイムの会話を続けられる初のAIだ。その開発を担った小規模な研究チームは、Dorsey氏に直接報告している。

誘導なしのデモで、全二重モデルがOpenAIのGPT-Live-1と会話

多くの音声アシスタントは、人が話した言葉をテキストに変換し、言語モデルに処理させてから、再び音声に変換します。Blockによると、この処理の過程で、感情や皮肉、笑い声、悲しみで声が震える様子が失われてしまいます。

Dessaは、間にテキストを介さず、音声を音声に変換するモデルです。人間同士のように、話しながら同時に相手の話を聞きます。

いつ話に割り込むべきか、「うん！」や「わかった！」と相づちを打つべきかを判断できると、Blockは語りました。リアルタイムより速く動作します。

録音では、誰もAIモデルに指示を与えていないとBlockは言います。何を、いつ、どのように話すかは、モデル自身が選びます。

録音の中でDessaは、話の途中で笑ったり、驚いて息をのんだり、もっと大きな声で話すよう頼まれると声を大きくしたりします。録音の一つでは、DessaはOpenAIのGPT-Live-1と会話しました。

Blockによると、GPT-Live-1の開発元はDessaを審査も推奨もしていません。

私たちは、音声だけで学習した、人間らしい会話ができる初のAIモデルを開発しました！

Dessaは、一般向けGPUで実行できる全二重の音声対音声モデルです。

これは音声にとってのGPT-3の瞬間です。pic.twitter.com/XVD8sSyJn8

— Ragavan Thurairatnam (@RagavanThurair) 2026年10月23日

GB200 NVL72は、何百倍も少ない単語からモデルに言語を学習させた

Dessaは、ラック規模のシステムであるNvidia GB200 NVL72を1台使って学習しました。この研究所によると、モデルが言語を学ぶのに必要とした単語数は、テキストベースのLLMの「何百分の一」でした。

音声では作業がさらに難しくなったとBlockは語りました。話し言葉の1語は、同じ単語を書いた場合に比べて、バイト数が何千倍にもなります。

この研究所は、トロントのディープラーニング系スタートアップDessaの元メンバーによって設立されました。チームは8年以上にわたり、生成音声モデルを開発してきました。

プロジェクトを率いるRagavan Thurairatnamは、Xで今回の発表を「音声にとってのGPT-3の瞬間」と呼びました。

Dessaは一般公開されていません。Blockはウェイティングリストを運営し、チームが想定していなかったリスクを洗い出すため、少数のAI安全性研究者に早期アクセスを提供しています。

Blockがこのモデルを開発した理由は3つあります。そのうち2つは、好奇心と人間とAIの相互理解を深めることです。

3つ目の理由は？安全性です。

Blockは、ひどい痛みに苦しんでいる人に音声AIが気づかず、話し続けてしまう状況を想定しています。

Cryptopolitanによると、Block（NYSE: XYZ）は2月に従業員の40％を解雇しました。

Block Inc.は7月にBuzzをリリースしました。人間とAIエージェントがチャンネルを共有できる、職場向けのチャットアプリです。

暗号資産業界で最も聡明な人々は、すでに私たちのニュースレターを読んでいます。あなたも参加しませんか？