Революция в архитектуре: только звук, никаких текстовых прокладок
23 октября 2026 года Block анонсировала Dessa — модель распознавания и синтеза речи, которая работает напрямую с аудиосигналом. В отличие от индустриального стандарта, где речь преобразуется в текст, обрабатывается языковой моделью (LLM), а затем снова конвертируется в звук, Dessa обучена исключительно на человеческих разговорах. В ней отсутствуют текстовые представления и предварительно обученные языковые модели.
Такой подход позволяет модели сохранять интонации, сарказм, смех и паузы, которые часто теряются при транскрипции. Dessa способна слушать и говорить одновременно (full-duplex), реагируя на перебивания и используя бэкканалы (например, «угу», «понял») в реальном времени.
Железо и эффективность: 72 GPU против тысячи
Одним из самых впечатляющих фактов является эффективность обучения. Block удалось обучить модель, способную работать быстрее реального времени на потребительском MacBook Pro M4 Max, используя всего один серверный шкаф NVIDIA GB200 NVL72 (72 графических процессора Blackwell и 36 CPU Grace). Для сравнения, главный конкурент Kyutai Moshi потребовал 1 016 GPU H100 для обучения на 7 миллионах часов аудио.
Сравнение с конкурентами
Рынок полнодуплексных голосовых агентов быстро растет. Ниже приведено сравнение Dessa с ключевыми игроками: Moshi, PersonaPlex и GPT-Live-1.
| Характеристика | Dessa (Block) | Moshi (Kyutai) | PersonaPlex-7B (NVIDIA) | GPT-Live-1 (OpenAI) |
|---|---|---|---|---|
| Архитектура | Только аудио (speech-to-speech) | Текстовый бэкбоун + аудио | На базе Moshi (Moshiko) | Задание логики бэкенд-агенту |
| Параметры | Не раскрыты | 8B | 7B | Не раскрыты |
| Вычислительные ресурсы | 1 GB200 NVL72 (72 GPU) | 1,016 H100 GPU | Не раскрыто | Не раскрыто |
| Задержка (Latency) | Быстрее реального времени | 200 мс (практика) | 0.170 с (переключение) | Не раскрыто |
| Доступ | Research preview (waitlist) | Open Source (CC-BY 4.0) | Open Source (NVIDIA License) | API ($0.05/мин) |
Почему это важно, но пока рискованно
Dessa демонстрирует, что обучение только на аудио может быть более эффективным и естественным для диалоговых систем. Однако на данный момент это исследовательский превью. Block не опубликовала:
- Ни одной метрики бенчмарков (например, WER или MOS).
- Веса модели для скачивания.
- Техническую статью или документацию по архитектуре.
- Информацию о цене или публичном API.
Демо-клипы показывают естественные перебивания и эмоциональные реакции, но без открытых весов и бенчмарков оценить надежность системы для продакшена пока невозможно. Доступ к Dessa осуществляется через лист ожидания.
Источник: MarkTechPost ↗