Bugün kullandığımız sesli yapay zekâ asistanlarının çoğu, aslında arka planda metinle çalışıyor: Sesimizi önce yazıya çeviriyor, bir dil modeli bu yazıya yanıt üretiyor, ardından yanıt yeniden sese dönüştürülüyor. Jack Dorsey’nin kurucusu olduğu Block, bu zinciri tamamen ortadan kaldıran bir model tanıttı: Dessa.
Şirketin araştırma laboratuvarından çıkan Dessa, sıfırdan ve yalnızca insan konuşma kayıtlarıyla eğitildi. Block’un ifadesiyle “metin yok, önceden eğitilmiş model yok”; model, gerçek zamanlı sohbet etmeyi yalnızca dinleyerek öğrendi.
Aynı anda dinleyip konuşan bir model
Dessa “tam çift yönlü” (full-duplex) bir model; yani bir insan gibi aynı anda hem dinleyip hem konuşabiliyor. Gerçek konuşmalardan öğrendiği için ne zaman söze gireceğini ve karşısındakini dinlediğini gösteren “evet”, “anladım”, “hı hı” gibi küçük tepkileri ne zaman vereceğini biliyor. Block’un paylaştığı kayıtlarda model, komik bir an olduğunda cümlenin ortasında gülüyor, sürpriz bir haber karşısında nefesini tutuyor, “yorgunum” derken sesi gerçekten yorgun çıkıyor.
Block’a göre mevcut sesli yapay zekâ sistemleri sesi metne çevirirken duygu, ironi, kahkaha ya da titreyen bir ses gibi çok önemli bilgileri kaybediyor. Şirket bu durumu yalnızca kullanıcı deneyimi değil, bir güvenlik sorunu olarak da tanımlıyor: Ciddi bir sıkıntı içindeki bir kişinin sesindeki acıyı fark edemeyen bir yapay zekâ, konuşmaya hiçbir şey olmamış gibi devam edebilir.
Teknik ayrıntılar ve erişim
Block, Dessa’nın dili büyük dil modellerine göre yüzlerce kat daha az kelimeyle öğrendiğini ve tek bir NVIDIA GB200 NVL72 rafında eğitildiğini söylüyor. Modelin bildiği tüm bilgiler de ham konuşma verisinden geliyor. Çıkarım gerçek zamandan hızlı çalışıyor ve şirkete göre model, M4 Max veya daha güçlü işlemcili bir MacBook Pro’da yerel olarak çalışabiliyor.
Ancak Dessa şu anda herkese açık değil. Ortada genel bir uygulama, API ya da yayımlanmış model ağırlıkları yok. Block, modeli bağımsız gözlerle sınamak için küçük bir yapay zekâ güvenliği araştırmacısı grubuna erken erişim vereceğini duyurdu. Şirketin paylaştığı örneklerin tamamı kendi seçtiği kayıtlar; modelin performansı henüz bağımsız olarak doğrulanmış değil.
Neden önemli?
Block, finans ve küçük işletme çözümleri alanında faaliyet gösteriyor; şirketin ödeme sistemi Square zaten sipariş almada sesli yapay zekâ kullanıyor. Cihaz üzerinde çalışabilen, doğal konuşan bir ses modeli, bu tür hizmetleri daha düşük maliyetle ve buluta veri göndermeden sunma imkânı yaratabilir.
Yapay zekâ okuryazarlığı açısından: Neyi sorgulamalıyız?
İnsan sesinden ayırt edilmesi giderek zorlaşan yapay zekâ sesleri, yeni soruları da beraberinde getiriyor:
- Telefonun ucundaki ses gülüyor, duraksıyor ve duygusal tepki veriyorsa, karşımızdakinin bir insan mı yoksa bir model mi olduğunu nasıl anlayacağız?
- Bu tür modeller dolandırıcılık ve sosyal mühendislikte kullanıldığında, “sesinden tanırım” güvenimiz ne kadar geçerli kalır?
- Yalnızca konuşmadan öğrenen bir modelin bilgileri ne kadar doğru ve bu bilgileri nasıl doğrulayacağız?
Block’un modeli genel kullanıma açmadan önce güvenlik araştırmacılarına sunması olumlu bir adım. Yine de sesli yapay zekâ ne kadar insana benzerse, bizim de o kadar dikkatli dinlememiz gerekecek.
Kaynak: Block, TechCrunch
