Block、音声だけで学習した全二重会話モデルDessaを発表　テキストを介さず、MacBook Pro M4 Max以上でローカル動作

Blockの発表によると、Dessaは音声を入力して音声を出力するモデルで、音声認識でテキストに変換する工程を持たない。全二重のため、相手の発話に割り込んだり「うん」「なるほど」といった相づちを打ったりでき、推論は実時間より速いとしている。感情や笑い、ため息といった、テキストに変換すると失われる情報をそのまま扱える点を特徴に挙げた。学習にはNVIDIA GB200 NVL72を1台使い、MacBook Pro M4 Max以上でローカル実行できるという。開発したのはBlock社内の小規模な研究チーム。パラメータ数、ベンチマーク、API、重み、提供時期は公表されておらず、まずは一部のAI安全性研究者に早期アクセスを提供する。