Block เปิดตัว Dessa โมเดล AI สายพูดที่ฝึกฝนจากเสียงมนุษย์ล้วน

Block บริษัทผู้อยู่เบื้องหลัง Square และ Cash App ได้เผยโฉมโมเดล AI การพูดรุ่นล่าสุดในชื่อ Dessa

Block ระบุว่า Dessa เป็นโมเดล AI ตัวแรกที่ฝึกฝนจากคำพูดของมนุษย์ทั้งหมดโดยปราศจากข้อมูลในรูปแบบข้อความ ซึ่งถูกสร้างขึ้นมาใหม่ตั้งแต่ต้นแทนที่จะใช้วิธีเดิมๆ อย่างการแปลงเสียงเป็นข้อความก่อน Dessa จะประมวลผลคำพูดในรูปแบบเสียงโดยตรง ทำให้มันสามารถตรวจจับอารมณ์ การประชดประชัน เสียงหัวเราะ รวมถึงการหยุดเว้นวรรคได้อย่างเป็นธรรมชาติในแบบเรียลไทม์

โมเดลนี้ยังรองรับการสื่อสารแบบ full-duplex ที่ช่วยให้ฟังและพูดได้ในเวลาเดียวกัน โดยสามารถทำงานแบบ local บน MacBook Pro M4 Max และผ่านการฝึกฝนบน NVIDIA GB200 NVL72 เพียงชุดเดียวเท่านั้น Block สร้าง Dessa ขึ้นมาจากความต้องการพัฒนาการสื่อสารระหว่างมนุษย์และ AI ให้ดีขึ้น ควบคู่ไปกับความกังวลด้านความปลอดภัย เนื่องจาก AI เสียงในปัจจุบันมักละเลยสัญญาณทางอารมณ์ที่สำคัญ

ปัจจุบัน Dessa ยังไม่เปิดให้ใช้งานสาธารณะ เนื่องจากทีมงานกำลังมองหานักวิจัยด้านความปลอดภัย AI มาช่วยทดสอบเพื่อหาความเสี่ยงที่อาจคาดไม่ถึงก่อนเปิดตัวจริง สำหรับผู้ที่สนใจสามารถ ลงชื่อผ่านแบบฟอร์ม เพื่อติดตามความคืบหน้าได้โดยตรง

ความพยายามในการพัฒนา AI เสียงที่เน้นอารมณ์ในอดีต

ที่ผ่านมามีหลายทีมพยายามสร้าง AI เสียงที่ถ่ายทอดอารมณ์ได้อย่างเข้มข้น เช่น ในเดือนมีนาคม 2024 สตาร์ทอัพ Hume AI ได้เปิดตัว EVI (Empathic Voice Interface) ซึ่งเน้นความฉลาดทางอารมณ์ ตามมาด้วย Kyutai ที่เปิดตัว Moshi ในเดือนกันยายน 2024 นอกจากนี้ยังมีโปรเจกต์ Open Empathic ของ LAION ที่ซุ่มพัฒนามาตั้งแต่ปลายปี 2023 เพื่อสร้างชุดข้อมูลเสียงแบบ open-source สำหรับฝึกโมเดลให้มีความเห็นอกเห็นใจ

ขณะที่ยักษ์ใหญ่ใหญ่อย่าง OpenAI ก็ได้ทำการ ยกเครื่อง "Advanced Voice Mode" ของ ChatGPT ในเดือนมิถุนายน 2025 โดยเน้นการพัฒนาเรื่องการเว้นวรรคและการแสดงออกทางอารมณ์ที่สมจริงยิ่งขึ้นอย่างต่อเนื่อง

อย่างไรก็ตาม การส่งเสียงที่มีอารมณ์อาจไม่ได้หมายถึงการมีความฉลาดหรือเข้าใจอารมณ์จริงๆ เสมอไป สำหรับ AI การพูดขั้นสูงนั้น ความสามารถในการ ใช้เหตุผลในขณะตอบโต้ ถือเป็นหัวใจสำคัญที่มากกว่าความดูเป็นธรรมชาติของเสียง เพราะมีผลโดยตรงต่อคุณภาพของคำตอบและการแก้ปัญหาให้แก่ผู้ใช้งาน