Block của Jack Dorsey đã huấn luyện mô hình giọng nói mới mang tên Dessa chỉ bằng giọng nói của con người, không dùng văn bản hay bất kỳ mô hình được huấn luyện trước nào.
Block cho biết mô hình hoàn chỉnh có thể chạy cục bộ trên MacBook Pro M4 Max hoặc máy mạnh hơn. Phòng thí nghiệm đã huấn luyện mô hình bằng một tủ máy chủ Nvidia duy nhất.
Block cho biết Dessa là AI đầu tiên mà họ biết có thể duy trì cuộc trò chuyện trực tiếp sống động như thật và chỉ được huấn luyện bằng giọng nói của con người. Phòng nghiên cứu nhỏ đứng sau mô hình này báo cáo trực tiếp với Dorsey.
Trong các bản demo không có sự can thiệp định hướng, mô hình song công hoàn toàn trò chuyện với GPT-Live-1 của OpenAI
Nhiều trợ lý giọng nói chuyển lời nói của mọi người thành văn bản, đưa văn bản đó qua một mô hình ngôn ngữ rồi chuyển lại thành lời nói. Theo Block, quy trình này loại bỏ cảm xúc, sự mỉa mai, tiếng cười và cả giọng nói buồn nghẹn lại.
Dessa là một mô hình chuyển lời nói thành lời nói, không qua bước văn bản trung gian. Giống như hai người trò chuyện, mô hình vừa nói vừa nghe cùng lúc.
Mô hình biết khi nào nên ngắt lời và khi nào nên chen vào bằng một câu «ừ!» hoặc «hiểu rồi!» — Block cho biết. Mô hình chạy nhanh hơn thời gian thực.
Block cho biết không ai chỉ dẫn mô hình AI trong các bản ghi âm. Mô hình tự quyết định sẽ nói gì, khi nào và bằng cách nào.
Trong các bản ghi âm, Dessa bật cười giữa câu, hít hà vì bất ngờ và nói to hơn khi được yêu cầu nói lớn lên. Trong một bản ghi âm, Dessa đã trò chuyện với GPT-Live-1 của OpenAI.
Block cho biết nhà phát triển GPT-Live-1 chưa đánh giá hay xác nhận Dessa.
Chúng tôi đã tạo ra mô hình AI đầu tiên có thể trò chuyện tự nhiên như người thật và được huấn luyện hoàn toàn bằng lời nói!
Dessa là mô hình chuyển lời nói thành lời nói song công toàn phần, có thể chạy trên GPU dành cho người dùng phổ thông.
Đây là khoảnh khắc GPT-3 của lĩnh vực lời nói. pic.twitter.com/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) ngày 23 tháng 10 năm 2026
GB200 NVL72 đã dạy mô hình ngôn ngữ chỉ với lượng từ ít hơn hàng trăm lần
Dessa được huấn luyện trên một hệ thống quy mô tủ rack Nvidia GB200 NVL72 duy nhất. Phòng nghiên cứu cho biết mô hình học ngôn ngữ với số từ «ít hơn hàng trăm lần» so với lượng từ mà một mô hình ngôn ngữ lớn dựa trên văn bản cần dùng.
Block cho biết lời nói khiến nhiệm vụ khó hơn. Một từ được nói ra có dung lượng byte lớn hơn hàng nghìn lần so với chính từ đó khi được in ra.
Phòng nghiên cứu được thành lập bởi các cựu thành viên của công ty khởi nghiệp về học sâu Dessa tại Toronto. Nhóm đã phát triển các mô hình tạo giọng nói trong hơn tám năm.
Ragavan Thurairatnam dẫn dắt dự án và gọi đợt ra mắt này là «khoảnh khắc GPT-3 của lĩnh vực lời nói» trên X.
Dessa chưa được cung cấp công khai. Block đang lập danh sách chờ và cấp quyền truy cập sớm cho một nhóm nhỏ các nhà nghiên cứu an toàn AI để phát hiện những rủi ro mà nhóm chưa lường trước.
Có ba lý do khiến Block xây dựng mô hình này. Hai trong số đó là sự tò mò và mong muốn tăng cường sự thấu hiểu giữa con người với AI.
Lý do thứ ba? An toàn.
Block hình dung một người đang rất đau đớn, nhưng AI giọng nói không nhận ra điều đó và vẫn tiếp tục nói.
Cryptopolitan đưa tin rằng vào tháng Hai, Block (NYSE: XYZ) đã sa thải 40% nhân viên.
Block Inc. ra mắt Buzz vào tháng Bảy. Đây là ứng dụng trò chuyện dành cho nơi làm việc, nơi con người và các tác nhân AI có thể cùng tham gia các kênh.
Những bộ óc sáng suốt nhất trong lĩnh vực tiền mã hóa đã đọc bản tin của chúng tôi. Muốn tham gia không? Hãy cùng họ.