Block представил Dessa — голосовой AI-модель, которая демонстрирует поразительно человеческое поведение в разговорах. В отличие от типичных голосовых ассистентов, модель обучена исключительно на речи, а не на текстовых данных, и способна слушать одновременно с говорением, естественно реагируя на перебивания, смех и интонационные изменения. По словам Jack Dorsey на X, диалог с моделью ощущается как общение с реальным человеком: полным эмоций, нюансов, пауз и естественного ритма речи.
В демонстрационных материалах Dessa смеётся посреди фразы, выражает удивление и демонстрирует то, что воспринимается как искренние эмоции. Block подчёркивает, что разговоры записывались в прямом эфире без направляющих инструкций модели. Технически модель работает напрямую с аудиопотоком, минуя промежуточный текстовый слой, и достаточно компактна, чтобы запускаться локально на MacBook Pro с M4 Max. Обучение проводилось с нуля на одной системе Nvidia GB200 NVL72.
Реакция индустрии разделена. С одной стороны, качество натуральности речи действительно впечатляет и открывает интересные сценарии применения. С другой стороны, возникают вполне обоснованные опасения: такая реалистичность голоса может быть использована для совершенствования фишинг-атак, спама и финансового мошенничества по телефону. Текущее качество генерации голоса уже достаточно для обмана неосторожного человека, который привыкает доверять своему уху. Интересный момент: Changpeng Zhao (бывший CEO Binance) предложил использовать технологию в образовании детей, что разумно, но требует продуманных мер защиты.
Block пока не раскрыл размер модели, тестовые метрики или точную дату релиза. Исследовательский превью поступает сначала небольшой группе AI-безопасников. Такой осторожный подход понятен — выпускать в открытый доступ инструмент, способный генерировать убедительное поддельное голос, нужно очень внимательно.
В контексте развития голосовых ИИ это значимый шаг: Dessa показывает, что промышленность движется от синтетических, явно искусственных голосов к натуральности, неотличимой от человеческой. Это не просто косметическое улучшение — это качественный переход, который меняет весь набор рисков и возможностей. Раньше голосовой фишинг был заметен по неестественности речи, теперь этот индикатор исчезает.
Для российского бизнеса это имеет практическое значение в нескольких областях. Call-центры и сервисы поддержки могут потенциально автоматизировать значительную часть операций с высоким качеством взаимодействия — но регуляторный вопрос о раскрытии использования ИИ в разговорах остаётся открытым и критичным. Образовательные платформы и сервисы репетиторства (например, для языковой практики) получают мощный инструмент. Вместе с тем, России придётся активнее работать с регулированием использования таких технологий в телекоммуникациях — иначе рост мошеннических звонков может стать серьёзной проблемой быстрее, чем появятся адекватные защиты.
Важно помнить, что сама по себе технология — это просто инструмент. Dess не новая идея (синтез речи существует давно), но качественный скачок в натуральности. Вопрос теперь не в том, возможно ли, а в том, как это регулировать и как обществу привыкнуть к необходимости дополнительной аутентификации голоса при высокорисковых операциях.