ブロック、音声だけで一から学習した会話AI「Dessa」発表　聞きながら同時に話す

　ブロックは、テキストを一切使わず人間の会話の音声だけで一から学習させた会話AI「Dessa」を、研究プレビューとして発表した。音声を入力して音声を出力する「スピーチ・トゥ・スピーチ」型のモデルで、人間の音声だけで学習した、リアルタイムで自然な会話ができるAIとしては、同社が知る限り世界初だという。

　同社によると、Dessaは相手の声を聞きながら同時に話す「フルデュプレックス」方式を採用する。会話に割り込むタイミングや、相づちを打つ場面も、人間同士の会話から学んだという。

　一般的な音声AIは、音声をいったんテキストに変換して処理するため、声に含まれる感情やニュアンスが失われると同社は指摘する。Dessaは音声のまま処理するので、笑い声や皮肉、ため息、声が詰まる様子といった情報を直接聞き取り、話し方にも反映するとしている。

　デモでは、面白い場面で文の途中でも笑い、頼まれると声を大きくする様子が公開された。いずれも人が実際に話しかけた際の録音で、誰も誘導しておらず、字幕は後から付けたという。

　推論は実時間より速く、アップルのMacBook Pro（M4 Max以上）でローカル動作するとしている。

　開発したのは、ブロック内の小規模なAI研究組織だ。トロントのAIスタートアップだったDessaの元メンバーが立ち上げ、共同創業者で会長のジャック・ドーシー氏に直接報告する体制をとっている。

　開発の理由には、好奇心、人間とAIの相互理解、安全性の3点を挙げた。「AIは力と自律性を増し続けているが、人間の声に含まれる感情にはまだほとんど耳が聞こえていない」と指摘し、Dessaはその解決に向けた一歩になると位置づける。

　現時点では研究プレビューの位置づけで、AIの安全性を研究する少人数の研究者に先行して利用させ、想定していないリスクの洗い出しを求めるという。