شرکت Block، به مدیریت جک دورسی، روز ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) مدل صوتی Dessa را معرفی کرد؛ مدلی «تمام‌دوطرفه» (full-duplex) که همزمان گوش می‌دهد و حرف می‌زند. Dessa فقط روی گفتار انسان آموزش دیده و می‌تواند روی لپ‌تاپ‌های قدرتمند اجرا شود، ولی هنوز عمومی نشده است.
Dessa چیست؟
طبق TechCrunch و The Decoder Dessa مدلی گفتار-به-گفتار است که در آزمایشگاه پژوهشی Block ساخته شده. بیشتر دستیارهای صوتی سه تکه دارند: تشخیص گفتار، یک مدل زبانی بزرگ، و تبدیل متن به گفتار. Dessa این زنجیره را نمی‌شکند و دانشش را از خودِ داده‌ی گفتگوی آموزشی می‌گیرد، نه از یک مدل زبانی جدا.
ویژگی‌های اعلام‌شده
- همزمانی: همزمان گوش می‌دهد و حرف می‌زند، شبیه مدل GPT-Live از OpenAI؛ پس می‌شود وسط حرفش پرید و او طبیعی واکنش نشان می‌دهد.
- احساس در خودِ مدل: Block می‌گوید خنده، مکث و حتی گریه بخشی از رفتار مدل است. TechCrunch می‌نویسد روشن نیست آیا مثل ElevenLabs v4 و Fish Audio Drama 3 با برچسب می‌شود احساس را هدایت کرد.
- آموزش: فقط روی گفتار انسان، با یک رک GPU انویدیا.
- اجرای محلی: روی سخت‌افزار مصرفی مانند MacBook با M4 Max یا بهتر.
دسترسی و مجوز
Dessa عمومی نیست. Block از پژوهشگران ایمنی خواسته آن را آزمایش کنند، به‌ویژه در سناریوهایی که یک عامل صوتی بتواند آدم‌ها را فریب دهد. مجوز مدل در گزارش‌ها ذکر نشده است. پس فعلاً نه وزنی هست، نه API و نه قیمتی.
فرق با دستیار صوتی‌های امروزی
در دستیار صوتیِ سه‌تکه، هر مرحله کمی تأخیر می‌افزاید و در تبدیل گفتار به متن، لحن و احساس گوینده از بین می‌رود. وقتی مدل مستقیم از گفتار به گفتار می‌رود، می‌تواند خنده یا تردید طرف مقابل را بشنود و در لحظه جواب دهد. ادعای Block همین است: مدل‌های متنی احساسی را که در صدا هست نمی‌بینند. البته این ادعا هنوز با آزمون مستقل سنجیده نشده است، چون مدل در دسترس نیست و فقط نمونه‌ها و توضیح شرکت وجود دارد.
نگرانی‌های ایمنی
هرچه صدای ماشین به آدم نزدیک‌تر شود، خطر کلاه‌برداری تلفنی بیشتر می‌شود. به همین دلیل Block پیش از انتشار از پژوهشگران ایمنی خواسته مدل را درباره‌ی فریب بیازمایند. کسب‌وکارها هم باید پیش از استفاده از صدای مصنوعی در پشتیبانی یا فروش، شفاف بگویند که مشتری با ماشین حرف می‌زند. برای کاربران عادی توصیه‌ی ساده این است که در تماس‌های صوتیِ حساس، مثل درخواست پول یا رمز، فقط به صدا اعتماد نکنند و از راه دوم تأیید بگیرند.
چرا Block؟
Block در پرداخت و خدمات کسب‌وکارهای کوچک فعال است و ابزار Square از هم‌اکنون از هوش مصنوعی صوتی برای ثبت سفارش بهره می‌برد. مدلی که روی دستگاه اجرا شود هزینه را پایین می‌آورد و می‌تواند در محصولات بیشتری به‌کار رود. این برآوردِ تحلیلیِ TechCrunch است، نه برنامه‌ی اعلام‌شده‌ی شرکت.
این یعنی چه برای کاربرِ فارسی‌زبان؟
خبر به زبان فارسی مربوط نیست و گزارشی از پشتیبانی فارسی در Dessa منتشر نشده است. اما روند مهم است: مدل‌های صوتی دارند از «خواندن متن» به «گفتگوی احساسی و همزمان» می‌روند. همین روند در خبر Voxtral 3 میسترال: رونویسی ارزان و ایجنت صوتی هم دیده شد. اگر برای ویدیو یا پادکست گوینده‌ی فارسی می‌خواهید، راهنمای دوبله با هوش مصنوعی نقطه‌ی شروع خوبی است.
در ابزارهای هوش‌نو می‌توانید گویندگی فارسی بسازید و برای ویدیوهایتان صدا تولید کنید. اگر سرویس رسمی یک مدل صوتی در ایران در دسترس نیست، هوش‌نو جایگزین فارسی‌محور را پیش‌روی شما می‌گذارد.
سؤالات متداول
مدل تمام‌دوطرفه یعنی چه؟
مدلی که مثل آدم‌ها همزمان می‌شنود و حرف می‌زند، نه نوبتی. نتیجه گفتگوی روان‌تر و قطع‌شدنی است.
آیا Dessa را می‌شود دانلود کرد؟
فعلاً نه. Block فقط از پژوهشگران ایمنی خواسته آن را آزمایش کنند.
خطرش چیست؟
صدای بسیار انسانی می‌تواند برای فریب هم استفاده شود؛ به همین دلیل Block آزمون فریب را از پژوهشگران خواسته است.
