Im Quellenvergleich
Worin die Quellen übereinstimmen
Block hat ein KI-Sprachmodell namens Dessa vorgestellt. Nach Firmenangaben wurde es ausschließlich auf menschlicher Sprache trainiert, ohne Text, und von Grund auf neu. Dessa verarbeitet Sprache direkt als Audio, statt sie erst in Text umzuwandeln, und soll dadurch Emotionen, Lachen und Pausen erkennen. Das Modell arbeitet als Full-Duplex-System: Es kann gleichzeitig sprechen und zuhören. Es läuft lokal auf einem MacBook Pro M4 Max oder besser. Trainiert wurde es auf einer einzelnen NVIDIA-GPU. Dessa ist noch nicht öffentlich verfügbar; Block sucht zunächst KI-Sicherheitsforscher, die das Modell auf Risiken testen. Interessierte können sich über ein Formular melden. Die Quellen berichten weitgehend übereinstimmend.
Worin sie sich unterscheidenWelche Emotionen Dessa erkennen oder ausdrücken kann·Genaue Bezeichnung der Trainingshardware·Vergleich mit bestehenden Sprachmodellen+4 weitere
Welche Emotionen Dessa erkennen oder ausdrücken kann- Dessa klingt mit Ausdrücken wie Lachen, Pausen und Weinen „seltsam menschlich“.1
Genaue Bezeichnung der Trainingshardware- Trainiert wurde Dessa auf einem einzigen NVIDIA GB200 NVL72.2
Vergleich mit bestehenden Sprachmodellen- Dessa wird in eine Reihe früherer Versuche emotional klingender Sprach-KI eingeordnet, etwa EVI von Hume AI, Moshi von Kyutai, die Initiative Open Empathic von LAION und eine Überarbeitung des „Advanced Voice Mode“ von ChatGPT durch OpenAI.2
- Dessa wird als Full-Duplex-Modell mit OpenAIs GPT-Live verglichen.1
Herkunft des Wissens im Modell- Üblicherweise koppeln Entwickler Sprachmodelle mit einem großen Sprachmodell für Wissen; bei Dessa stammt das Wissen laut Block aus den Gesprächsdaten selbst.1
Steuerung von Emotionen im Modell- Block kritisiert, dass gängige Modelle Emotionen oft über Sprach-Tags steuern; beim eigenen Modell sei Emotion eingebaut, ob dafür Tags nötig sind, bleibt offen.1
Motive von Block- Block nennt drei Motive: Neugier, bessere Mensch-KI-Kommunikation und Sicherheit, denn heutige Sprach-KI ignoriere emotionale Signale.2
- Für Block als Finanzanbieter für kleine Firmen könnte ein lokales Sprachmodell viele Geschäfts- und Kundenerlebnisse günstiger ermöglichen; Square nutzt Sprach-KI bereits für Bestellungen.1
Einordnung des emotionalen Klangs- Der Autor gibt zu bedenken, dass emotional klingend nicht emotional oder intelligent bedeutet, und für fortgeschrittene Sprach-KI seien Funktionen wie Reasoning während des Antwortens wichtiger als der oberflächliche Klang.2