AI Voice Model : जॅक डोर्सीच्या 'ब्लॉक'ने आणलं माणसासारखं बोलणारं 'डेसा' AI
सार
जॅक डोर्सीच्या 'ब्लॉक' कंपनीने 'डेसा' हे नवं AI मॉडेल आणलंय. हे मॉडेल फक्त माणसांचे आवाज ऐकून तयार केलंय. जुन्या टेक्स्ट-बेस्ड AI पेक्षा हे वेगळं असून, ते अगदी माणसांसारख्या भावनांसह रिअल-टाइममध्ये बोलू शकतं.
मुंबई : जॅक डोर्सी यांच्या नेतृत्वाखालील 'ब्लॉक' (Block) या फिनटेक कंपनीने 'डेसा' (Dessa) नावाचं एक नवीन आर्टिफिशियल इंटेलिजन्स (AI) व्हॉइस मॉडेल लाँच केलं आहे. कंपनीने दिलेल्या माहितीनुसार, हे मॉडेल कोणत्याही टेक्स्ट किंवा जुन्या मॉडेल्सचा वापर न करता, पूर्णपणे माणसांच्या संवादांवरून ट्रेन करण्यात आलं आहे.
कंपनीने सांगितलं की, डेसा हे एक 'फुल-डुप्लेक्स स्पीच-टू-स्पीच' AI मॉडेल आहे. म्हणजे ते एकाच वेळी ऐकू आणि बोलू शकतं. एवढंच नाही तर, बोलताना ते माणसांसारख्या भावना, टोमणे, हसू, निराशा आणि दुःख ओळखू शकतं आणि तसं व्यक्तही होऊ शकतं. आतापर्यंतचे AI आवाज हे टेक्स्ट वाचून बोलायचे, पण डेसा थेट आवाजावर प्रोसेस करतं. त्यामुळे टेक्स्टमध्ये बदलताना ज्या भावना हरवतात, त्या यात जशाच्या तशा राहतात.
फक्त माणसांचे आवाज ऐकून घेतलं ट्रेनिंग
"आम्ही डेसाला अगदी शून्यापासून फक्त माणसांचे संवाद ऐकवून तयार केलंय. फक्त आवाज! कोणतंही टेक्स्ट नाही किंवा जुने मॉडेल्स नाहीत. फक्त ऐकून रिअल-टाइममध्ये कसं बोलायचं, हे ते शिकून गेलं," असं कंपनीने म्हटलंय.
आवाजावर AI ला ट्रेन करणं किती अवघड असतं, हेही कंपनीने सांगितलं. लिहून ठेवलेल्या शब्दांपेक्षा बोललेल्या शब्दांमध्ये खूप जास्त डेटा असतो आणि प्रत्येक वेळी बोलण्याची पद्धत बदलते. "LLMs (लार्ज लँग्वेज मॉडेल्स) ला खूप जास्त टेक्स्ट लागतं. पण डेसाने त्यापेक्षा कितीतरी पटीने कमी शब्दांतून भाषा शिकून घेतली (अर्थात, LLMs ला C++ आणि अँग्युलरसारख्या कोडिंग भाषाही शिकाव्या लागतात)," असं कंपनीने नमूद केलं. या सगळ्या अडचणींवर मात करत, ब्लॉकने डेसाला फक्त एका 'NVIDIA GB200 NVL72' वर कसं ट्रेन करायचं, याचा शोध लावला.
डेसाची खासियत आणि सुरक्षेची चाचपणी
कंपनीच्या म्हणण्यानुसार, काय बोलायचं, कधी उत्तर द्यायचं आणि स्वतःला कसं व्यक्त करायचं, हे डेसा स्वतः ठरवू शकतं. त्याचा आवाज आणि बोलण्याची पद्धतही ते स्वतः निवडतं. "आम्हाला वाटतं की, बुद्धिमत्तेशी संवाद साधण्याचा सर्वात नैसर्गिक मार्ग म्हणजे आवाज. म्हणूनच आम्ही डेसा बनवलं. हे आतापर्यंतचं सर्वात अस्सल फुल-डुप्लेक्स स्पीच मॉडेल आहे. याच्याशी बोलताना एखाद्या खऱ्या माणसाशी बोलल्यासारखं वाटतं... ज्यामध्ये भावना, चढ-उतार, पॉज आणि नैसर्गिक लय आहे," असं कंपनीने स्पष्ट केलं.
हे AI मॉडेल विनोदावर नैसर्गिकपणे हसू शकतं, सांगितल्यावर आवाजाची पातळी कमी-जास्त करू शकतं आणि कोणतंही खास ट्रेनिंग न देता उत्स्फूर्तपणे उत्तरं देऊ शकतं. "फक्त आवाजावरून बोलायला शिकलेलं हे मॉडेल एक नवीन प्रयोग आहे आणि आम्हाला यावर बाहेरच्या लोकांचीही नजर हवी आहे. आम्ही AI सुरक्षेवर काम करणाऱ्या काही मोजक्या संशोधकांना याचा अर्ली ॲक्सेस देत आहोत, जेणेकरून आम्हाला न दिसलेले धोके ते शोधू शकतील," असं या प्रेस रिलीजमध्ये म्हटलं आहे.