دسا، مدل صوتی تازه شرکت بلاک، در ۲۴ اکتبر ۲۰۲۶ معرفی شد و یک ایده ساده اما مهم را پیش میکشد: اگر هوش مصنوعی به جای خواندن متن، فقط با شنیدن گفتار انسانی یاد بگیرد، گفتوگویش چه شکلی میشود. به گفته شرکت بلاک، دسا از ابتدا فقط با مکالمه انسانی آموزش دیده است، بدون متن و بدون مدل از پیش آموزشدیده، و صدا را مستقیم به صدا تبدیل میکند. برای کسانی که میخواهند هوش مصنوعی صوتی را یاد بگیرند، این یک نقطه شروع تازه است.
بیشتر دستیارهای صوتی امروز سه مرحله را پشت سر میگذارند: گفتار به متن تبدیل میشود، یک مدل زبانی پاسخ میدهد و پاسخ دوباره به صدا تبدیل میشود. در این مسیر مکث، لحن، خنده، طعنه و تردید از دست میروند. دسا مرحله میانی را حذف میکند: ورودی صدا است و خروجی هم صدا است. به گفته شرکت بلاک، مدل میتواند همزمان گوش بدهد و حرف بزند، با یک تایید کوتاه همراهی کند و به تغییر لحن واکنش نشان بدهد. این همان مدل تمامدوطرفه یا فولداپلکس است؛ در گفتوگوی واقعی هم ما منتظر پایان جمله طرف مقابل نمیمانیم.
نکته دوم، ادعای شرکت بلاک درباره کارایی آموزش است. این شرکت میگوید دسا زبان را با کلماتی بسیار کمتر از مدلهای زبانی متنی یاد گرفته است و آموزش آن روی یک سامانه انویدیا جیبی ۲۰۰ انویال ۷۲ انجام شده است. همچنین گفته شده که این مدل روی یک مکبوک پرو با تراشه ام ۴ مکس یا بهتر، به صورت محلی اجرا میشود و استنتاج آن سریعتر از زمان واقعی است. اینها ادعاهای شرکت سازندهاند و هنوز عدد رسمی درباره اندازه مدل، مجموعه داده یا بنچمارک منتشر نشده است. پس دسا را باید یک پیشنمایش پژوهشی دانست، نه یک محصول آماده استفاده عمومی. در حال حاضر دسترسی اولیه به گروه کوچکی از پژوهشگران ایمنی هوش مصنوعی داده میشود تا خطرها پیش از انتشار عمومی بررسی شود.
اهمیت دسا فقط در طبیعیتر شدن صدا نیست؛ معیار خوب بودن یک دستیار صوتی را عوض میکند. وقتی خروجی فقط متن نیست، کیفیت را نمیتوان فقط با دقت رونویسی سنجید. باید پرسید آیا مدل نوبت صحبت را درست میفهمد، وسط حرف کاربر را بهجا قطع میکند یا بیجا، و مکث را تردید میفهمد یا سکوت خالی. کسی که امروز این مهارتها را یاد بگیرد، فردا میتواند جریان گفتوگو را طراحی کند و رفتار مدل را ارزیابی کند، نه اینکه فقط مصرفکننده آن باشد.
گام اول، مبانی صدا را یاد بگیرید. لازم نیست مهندس پردازش سیگنال شوید، اما باید بدانید صدا چه چیزی بیش از متن دارد: زیر و بمی، سرعت، بلندی، مکث و نویز محیط. یک مکالمه واقعی را گوش بدهید و بنویسید کجاها معنا فقط از لحن فهمیده میشود، نه از کلمات.
گام دوم، تفاوت دو معماری را مقایسه کنید. در معماری خط لولهای، گفتار به متن، متن به پاسخ و پاسخ به گفتار تبدیل میشود. در معماری گفتار به گفتار، صدا مستقیم پردازش میشود. برای هر کدام سه نقطه قوت و سه نقطه ضعف بنویسید تا ببینید چرا مدلهای خط لولهای در کارهای دقیق متنی قویاند و مدلهای گفتار به گفتار در گفتوگوی طبیعی بهتر عمل میکنند.
گام سوم، طراحی گفتوگوی تمامدوطرفه را تمرین کنید. یک سناریوی کوتاه بنویسید، مثلا پاسخ به مشتری که وسط جملهاش مکث میکند، و مشخص کنید مدل چه زمانی صبر کند، چه زمانی با تایید کوتاه همراهی کند و چه زمانی مودبانه وارد گفتوگو شود. سپس همین سناریو را با یک دستیار صوتی موجود امتحان کنید؛ فاصله بین طرح شما و رفتار واقعی، مهمترین درس این یادگیری است.
گام چهارم، ارزیابی را از متن به گفتوگو ببرید. به جای اینکه فقط بپرسید پاسخ درست بود یا نه، پنج معیار بسنجید: طبیعی بودن نوبتگیری، درک لحن، مدیریت وقفه، وضوح صدا و سرعت پاسخ. هر بار همین پنج معیار را یادداشت کنید تا بعد از چند تمرین، الگوی ضعفها و قوتها روشن شود.
در پشتیبانی مشتری، یک دستیار صوتی که لحن و مکث را میفهمد، میتواند مشتری عصبانی را از مشتری آرام تشخیص بدهد و مسیر گفتوگو را عوض کند. در آموزش، چنین مدلی میتواند به زبانآموز بازخورد لحنی بدهد، نه فقط بازخورد متنی. در دسترسپذیری، گفتوگوی صوتی طبیعی برای کسانی که خواندن متن برایشان دشوار است، یک مسیر تازه باز میکند. در کارهای داخلی سازمان هم میتوان جریانهای کوتاه صوتی ساخت، مثلا ثبت سریع یک گزارش یا پرسیدن وضعیت یک کار، بدون اینکه کاربر مجبور باشد تایپ کند.
اما کاربرد عملی یک شرط مهم دارد: شفافیت. صدایی که بیش از حد انسانی است، میتواند شنونده را به اشتباه بیندازد، پس از ابتدا باید مشخص باشد که طرف گفتوگو یک مدل هوش مصنوعی است، نه انسان. درباره ضبط و استفاده از صدا هم رضایت و حریم خصوصی باید رعایت شود. اینکه شرکت بلاک دسترسی اولیه را به پژوهشگران ایمنی داده است، یادآوری میکند که خطر سوءاستفاده، از جمله کلاهبرداری تلفنی، باید پیش از انتشار عمومی سنجیده شود.
دسا هنوز محصول عمومی نیست و نباید بر اساس چند نمایش ویدیویی درباره آینده آن قضاوت قطعی کرد. نبود بنچمارک رسمی یعنی نمیتوانیم بگوییم این مدل در مقایسه با مدلهای دیگر دقیقا کجا ایستاده است. اما جهت حرکت روشن است: هوش مصنوعی صوتی دارد از خواندن متن به سوی شنیدن واقعی گفتوگو میرود. مهارتی که امروز ارزش یاد گرفتن دارد، همین است: فهمیدن گفتوگو بهعنوان یک جریان زنده، نه یک رشته متن.
بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش