Dessa daripada Block meneroka apa yang boleh dipelajari model suara sebelum membaca

Sebut “Tak mengapa” dengan rasa lega, kemudian sebutnya selepas jeda panjang dengan suara mendatar. Perkataannya sama. Perbualannya berubah.

Block memperkenalkan Dessa pada 23 Oktober 2026, sebagai model yang dilatih daripada perbualan manusia tanpa teks atau model pralatih. Syarikat di sebalik Square dan Cash App menerangkannya sebagai sistem pertuturan dupleks penuh: ia boleh mendengar sambil bercakap. Pengumuman itu ialah pratonton penyelidikan dengan rakaman awam dan akses penyelidikan keselamatan terhad, bukannya API suara yang tersedia secara umum.

Persoalan menariknya ialah apa yang berlaku apabila pemasaan dan ekspresi suara menjadi sebahagian daripada bahan pembelajaran model sejak awal. Artikel ini menerangkan perbezaan itu, memberikan cara praktikal mendengar demo dan mempertimbangkan tiga jenis kerja yang memerlukan tingkah laku perbualan yang sesuai. Pandangan kami: sistem suara berguna yang seterusnya perlu mengendalikan ruang antara perkataan dengan sama teliti seperti perkataan itu sendiri.

Imej utama: ilustrasi editorial asli tentang pertuturan dan pemasaan perbualan. Ia tidak menggambarkan pemasangan Dessa atau jejak audio yang diukur.

Pertuturan mengandungi maklumat yang mungkin hilang dalam transkrip kemas

Transkrip berguna kerana menukar perbualan menjadi sesuatu yang boleh dicari, dipetik dan diperiksa. Namun, transkrip biasanya memberikan gambaran yang lebih terhad daripada rakaman asal. Penekanan, pemasaan, pertindihan dan bunyi bukan lisan boleh mempengaruhi cara sesuatu ayat patut ditafsirkan.

Pertimbangkan contoh perbualan penjadualan. Seseorang berkata, “Khamis boleh,” kemudian segera menambah, “tunggu, selepas makan tengah hari.” Pembantu yang berguna perlu mengekalkan pembetulan itu dan mengelakkan klausa pertama daripada dianggap sebagai arahan lengkap. Masa pembetulan itu penting kerana ia tiba ketika sistem mungkin sudah menyediakan respons.

Contoh lain ialah respons ringkas yang menunjukkan perhatian. “Mm-hm” boleh bermaksud “saya masih mendengar,” bukannya “saya mahu mengambil alih perbualan.” Sistem yang menganggap setiap bunyi sebagai giliran baharu sepenuhnya boleh menjadikan interaksi meletihkan. Sistem yang mengabaikan semua gangguan ringkas pula boleh terlepas pembetulan sebenar.

Inilah masalah rentak perbualan: menentukan bila perlu meneruskan, menunggu, memberikan respons ringkas atau menyerahkan giliran. Ia tidak selesai hanya dengan menjadikan suara sintesis lebih ekspresif. Sistem juga perlu membuat pilihan tentang aliran pertukaran tersebut.

Penyelidik di sebalik Moshi, diterbitkan pada 2024, secara jelas menganggap pertuturan bertindih dan celahan sebagai batasan saluran pemprosesan yang membahagikan perbualan kepada giliran berasingan. Kajian mereka memberikan konteks berguna kerana dialog dupleks penuh sudah wujud sebelum Dessa. Dakwaan khusus dalam pengumuman Block ialah pendekatan latihan berasaskan pertuturan sahaja, yang patut dinilai secara berasingan daripada kategori umum mendengar dan bercakap serentak.

Tiga soalan mengelakkan tiga keupayaan berbeza daripada bercampur

“Berasaskan suara secara asli” boleh menerangkan beberapa perkara berbeza. Ia boleh merujuk data latihan, maklumat yang dipindahkan antara komponen semasa pelaksanaan atau pemasaan interaksi. Model boleh membuat kemajuan pada satu dimensi tanpa menyelesaikan dimensi lain.

Jadual berikut mengasingkan dimensi tersebut. Ia ialah perbandingan konsep untuk membaca pengumuman produk, bukan kedudukan penanda aras atau penerangan lengkap tentang pelaksanaan dalaman mana-mana model.

Halaman Dessa milik Block, disemak pada 27 Oktober 2026, mengemukakan dakwaan pada ketiga-tiga dimensi: pembelajaran berasaskan pertuturan sahaja, interaksi audio ke audio dan pemasaan dupleks penuh. Itu ialah penerangan pasukan tersebut. Ia tidak menyediakan skor diterbitkan bagi kualiti setiap perbualan yang mungkin dialami pengguna.

Moshi menunjukkan kegunaan perbezaan ini. Makalahnya menerangkan sistem pertuturan-teks dupleks penuh yang dibina daripada teras model bahasa teks. Laluan pembelajarannya berbeza daripada yang diterangkan Block untuk Dessa, sambil tetap menangani dialog lisan bertindih. Menggelar semua sistem suara sebagai saluran transkripsi akan menghapuskan perbezaan itu.

Bagi pasukan produk, tindak balas praktikalnya ialah bertanya dimensi mana yang penting untuk kerja tersebut. Arkib yang boleh dicari memerlukan rekod teks yang boleh dipercayai. Tutor interaktif memerlukan maklum balas berguna dan rentak perbualan yang sesuai. Ejen yang berhadapan dengan pelanggan turut memerlukan pengetahuan dan kebenaran untuk menyelesaikan tugas perniagaan.

Rajah penerangan asli. Ia mengasingkan tiga soalan tentang sistem suara dan tidak mendakwa mendedahkan seni bina Dessa yang belum diterbitkan. Sumber: halaman Dessa milik Block dan makalah Moshi 2024.

Suara yang meyakinkan dan jawapan yang betul memerlukan ujian berasingan

Respons ekspresif boleh mudah diikuti. Ia juga boleh menjadikan jawapan tanpa sokongan kedengaran lebih meyakinkan. Jika pendengar berasa sistem memahami mereka, mereka mungkin kurang cenderung berhenti untuk memeriksa sesuatu butiran.

Sebab itulah empati yang dirasakan, ketepatan fakta dan penyelesaian tugas perlu mempunyai kriteria semakan berasingan. Respons mesra mungkin sesuai walaupun sistem tidak mempunyai maklumat yang diperlukan untuk menjawab. Respons yang lebih baik dalam keadaan itu sering berupa soalan jelas pada masa yang tepat, bukannya tekaan yang disampaikan dengan emosi yang kemas.

Bayangkan contoh pertukaran sokongan pelanggan tentang bungkusan lewat. Pemanggil kedengaran kecewa dan mencelah untuk membetulkan nombor pesanan. Sistem yang berguna akan membenarkan pembetulan, mengekalkan pengecam yang betul dan menerangkan tindakan seterusnya yang tersedia. Nada mesra sahaja tidak akan membetulkan carian salah atau janji yang tidak dibenarkan.

Prinsip yang sama terpakai apabila seseorang kedengaran tidak pasti. Jeda boleh bermaksud keraguan, usaha mencari perkataan yang sesuai, gangguan dalam bilik atau giliran yang sudah tamat. Audio memberikan bukti, tetapi maknanya masih bergantung pada konteks. Penilaian yang munasabah perlu menghargai permintaan penjelasan apabila isyaratnya kabur.

Block mengundang kumpulan terhad penyelidik keselamatan untuk memeriksa tingkah laku Dessa. Bagi pembaca, itu ialah penerangan bermakna tentang tahap semasanya. Ia tidak membuktikan bahawa sistem sudah memenuhi keperluan kebolehpercayaan untuk sokongan pelanggan, pendidikan atau konteks pelaksanaan lain.

Demo rasmi ialah latihan mendengar, bukan kad skor

Halaman awam Dessa menawarkan rakaman perbualan terpilih, termasuk perbincangan keluaran dan ingatan tentang filem. Syarikat menyatakan model memilih responsnya dan sari kata ditambah kemudian. Rakaman ini membolehkan anda memeriksa contoh tingkah laku, tetapi tidak memberitahu kekerapan tingkah laku sama dalam set ujian yang luas.

Dengar pemasaannya sebelum membaca sari kata. Bilakah respons bermula? Adakah respons ringkas menyokong giliran manusia atau bersaing dengannya? Adakah sistem memberi ruang kepada penutur untuk membetulkan dirinya?

Kemudian periksa kandungannya. Jika perbualan mengandungi dakwaan fakta, nilai dakwaan itu secara berasingan daripada kualiti penyampaian. Respons boleh mempunyai rentak yang sangat baik tetapi masih memerlukan pembetulan. Mengasingkan kedua-dua pertimbangan mengelakkan demo yang menyenangkan daripada menggantikan bukti tentang sesuatu tugas.

Akhir sekali, perhatikan pemulihan. Salah faham sangat bermaklumat apabila penutur membetulkannya. Adakah pertukaran itu menyelesaikan masalah, atau sistem meneruskan tafsiran asal? Satu pemulihan tidak membuktikan kadar kejayaan, tetapi boleh membantu anda mereka bentuk penilaian kemudian.

Latihan ini juga mempunyai had yang berguna untuk difahami. Rakaman terpilih tidak memberi anda kawalan terhadap prom, persekitaran atau percubaan berulang. Anggapnya sebagai cara membentuk soalan untuk percubaan, bukannya cara menjawab semua persoalan pelaksanaan lebih awal.

Tiga kemungkinan kegunaan menunjukkan kepentingan pemasaan

Senario berikut ialah contoh penggunaan keupayaan perbualan. Ia bukan pelaksanaan pelanggan Dessa yang diumumkan atau dakwaan bahawa pratonton semasa menyokong integrasi yang diperlukan. Setiap senario mengasingkan tingkah laku yang wajar diteroka daripada kerja untuk menjadikannya boleh dipercayai.

Rakan latihan bahasa boleh mendapat manfaat daripada menunggu ketika pelajar teragak-agak dan mengiktiraf pembetulan yang berjaya. Penilaian perlu membezakan galakan yang membantu daripada gangguan yang menghalang latihan. Percubaan juga memerlukan bukti jelas bagi bahasa sasaran, kualiti pembetulan dan pengendalian kesilapan berulang; demo bahasa Inggeris yang kedengaran semula jadi tidak menjawab soalan tersebut.

Pembantu latihan persembahan secara lisan boleh membantu seseorang berlatih pembentangan atau perbualan yang sukar. Interaksi berguna akan membenarkan penutur menyelesaikan pemikiran, mengemukakan soalan susulan dan memberikan respons kepada arahan yang berubah. Pasukan yang membina pengalaman itu perlu menentukan sama ada matlamatnya ialah latihan, maklum balas atau bimbingan fakta, kerana setiap satu memerlukan rubrik semakan berbeza.

Antara muka saringan awal perkhidmatan boleh mendengar penjelasan pemanggil, meminta penjelasan dan mengekalkan pembetulan tanpa memulakan semula pertukaran. Bahagian sukarnya ialah menghubungkan perbualan itu kepada kes yang betul dan tindakan seterusnya yang tepat. Akses pengetahuan, pengesahan identiti, eskalasi dan kebenaran transaksi kekal sebagai tanggungjawab sistem yang berasingan.

Contoh ini berkongsi pola: perbualan lebih lancar boleh mengurangkan kesukaran untuk mencapai keputusan seterusnya. Nilainya bergantung pada kegunaan keputusan dan sama ada pengguna boleh membetulkannya. Ini menjadikan pengendalian gangguan dan pemulihan keperluan produk praktikal, bukannya butiran yang hanya relevan untuk demo suara.

Pelaksanaan setempat ialah dakwaan perkakasan yang bergantung pada akses

Block menyatakan Dessa berjalan secara setempat pada MacBook Pro M4 Max atau lebih baik dan latihannya menggunakan satu NVIDIA GB200 NVL72. Kedua-dua butiran datang daripada halaman projek rasmi, diakses pada 27 Oktober 2026. Ia dilaporkan oleh pembangun, bukan diukur melalui pemasangan kami sendiri.

Perbezaan antara latihan dan inferens penting di sini. Mesin yang digunakan untuk melatih model dan mesin yang mampu menjalankan model sedia ada menjawab soalan berbeza. Rujukan kepada sistem latihan tidak patut dibaca sebagai keperluan pengguna, dan kenyataan tentang komputer riba tidak patut dianggap sebagai matriks memori serta kependaman yang diterbitkan.

Akses pula ialah isu berasingan. Halaman awam masih menandakan pautan pelancaran sebagai akan datang dan menerangkan akses awal untuk penyelidik keselamatan terpilih. Ia tidak menyediakan harga API umum, pemberat model yang boleh dimuat turun atau jadual bahasa disokong untuk dijadikan asas pelaksanaan produksi.

Bagi pembangun yang merancang kerja masa depan, maklumat ini cukup untuk mengenal pasti soalan yang patut dipantau. Ia belum cukup untuk menjadualkan migrasi daripada susunan sistem suara sedia ada. Rancangan migrasi yang kukuh memerlukan artifak boleh guna, butiran integrasi, tingkah laku yang diukur pada perkakasan sasaran dan aturan sokongan yang jelas.

Bina penilaian yang memasukkan kesenyapan dan pembetulan

Jika percubaan lebih luas tersedia kelak, mulakan dengan tugas yang hasil betulnya mudah diperiksa. Gunakan senario yang sama merentas sistem dan simpan audio yang diperlukan untuk memahami penilaian yang dipertikaikan, dengan persetujuan peserta. Prosedur di bawah ialah reka bentuk penilaian yang dicadangkan; ia bukan eksperimen yang dilakukan untuk artikel ini.

1. Tentukan hasil yang diingini. Untuk pertukaran penjadualan, tuliskan tarikh dan masa yang betul. Untuk latihan persembahan, tentukan maklum balas yang diminta. Elakkan menjadikan skor keseluruhan “kedengaran seperti manusia” satu-satunya sasaran.
2. Tulis senario berpasangan. Kekalkan permintaan utama yang serupa sambil mengubah satu peristiwa perbualan: jeda, respons ringkas, gangguan atau pembetulan jelas. Ini memudahkan perbincangan tentang punca kegagalan.
3. Sertakan arahan pemulihan. Minta sistem membetulkan satu butiran terdahulu. Periksa sama ada jawapan akhir mencerminkan pembetulan dan sama ada perbualan menjelaskan perubahan itu.
4. Nilai pemasaan dan kandungan secara berasingan. Rekodkan sama ada sistem mencelah secara tidak sesuai, terlepas pembetulan atau menjawab dengan fakta tanpa sokongan. Satu skor gabungan boleh menyembunyikan kelemahan penting.
5. Uji persekitaran sasaran. Apabila akses membenarkannya, ulangi tugas yang mewakili penggunaan sebenar pada peranti dan persediaan audio sebenar. Anggap hasil ujian mikrofon dalam suasana senyap sebagai bukti bagi persediaan itu, bukan bagi semua bilik atau set kepala.
6. Semak perbezaan pendapat menggunakan audio. Apabila penyemak berbeza pandangan, mainkan semula saat berkaitan dan perhalus rubrik. Perbezaan itu mungkin mendedahkan takrif tugas yang kabur, bukannya kesilapan model semata-mata.

Set awal ilustrasi boleh mengandungi 12 senario: empat dengan jeda, empat dengan pembetulan dan empat dengan respons ringkas yang menunjukkan perhatian. Bilangan itu ialah reka bentuk permulaan yang dicadangkan, bukan dakwaan kecukupan saintifik atau penanda aras Dessa yang diterbitkan. Tujuannya adalah mendedahkan tuntutan perbualan berbeza sebelum skala ditingkatkan.

Panduan penilaian asli. Tiada kadar kejayaan, hasil kependaman atau skor perbandingan model yang dimaksudkan.

Antara muka suara patut menjadikan pembetulan perkara biasa

Janji paling berguna dalam arah penyelidikan ini bukanlah bahawa setiap pembantu akan menjadi tidak dapat dibezakan daripada manusia. Sebaliknya, seseorang mungkin menghabiskan kurang usaha menyesuaikan pertuturannya dengan antara muka yang kaku. Jeda, gangguan dan pemikiran yang belum lengkap ialah bahagian biasa dalam percakapan.

Dessa memberikan subjek penyelidikan yang nyata bagi kemungkinan itu: model yang menurut pembangunnya belajar melalui pertuturan sahaja. Soalan seterusnya ialah sama ada tingkah laku yang terhasil bertahan dalam situasi yang benar-benar diperlukan pengguna. Antara muka suara yang baik patut memudahkan orang meneruskan, menjelaskan dan membetulkan sambil memastikan tugas itu sendiri mudah difahami.

Sumber

• Block: Dessa — penerangan penyelidikan rasmi, demonstrasi, kenyataan perkakasan dan status akses; disemak pada 27 Oktober 2026.
• Berita Block — senarai pengumuman 23 Oktober 2026.
• Défossez dan rakan penyelidik: Moshi, model asas pertuturan-teks untuk dialog masa nyata — penyelidikan primer 2024 tentang dialog pertuturan-teks dupleks penuh.

Semakan sumber: 27 Oktober 2026. Butiran produk dikaitkan dengan penerbitnya. Senario dan langkah penilaian hanyalah ilustrasi; kami tidak memasang Dessa atau mengukur prestasinya. Dengar rakaman rasmi pada halaman projek yang dipautkan.

Saranan daripada Telli.sh

Mahukan tempat yang boleh dicari untuk rakaman, nota rujukan dan keputusan selepas perbualan? Kumpulkan bahan rujukan anda dalam Telli.sh dan pastikan serahan kerja mudah difahami.