معرفی Dessa؛ مدل هوش مصنوعی صوتی و تعاملی آموزش‌دیده فقط با صدا

مدل‌های صوتی متداول هوش مصنوعی معمولاً صدای شما را به متن تبدیل می‌کنند، آن را پردازش می‌کنند و دوباره خروجی را به صوت برمی‌گردانند؛ فرآیندی که باعث از دست رفتن بخش بزرگی از اطلاعات، احساسات، لحن و مکث‌های انسانی می‌شود. در مقابل، ابزار Dessa به‌عنوان یک مدل صوتی دوطرفه (Full-Duplex) معرفی شده که از پایه و تنها با تکیه بر اصوات مکالمات انسانی آموزش دیده است. این مدل یاد می‌گیرد چگونه بدون نیاز به متن، مانند یک انسان واقعی و با تمام جزئیات عاطفی گفت‌وگو کند.

مشکل بزرگی که Dessa حل می‌کند

تعامل با دستیارهای صوتی مرسوم اغلب خسته‌کننده، رباتیک و همراه با تأخیرهای آزاردهنده است. دلیل این موضوع تبدیل اجباری صوت به متن است؛ زمانی که متن جایگزین صوت می‌شود، مفاهیمی مانند طعنه، خنده وسط جمله، نفس کشیدن، تن صدا و لحن خسته یا غمگین کاملاً محو می‌شوند. مدل Dessa با رویکرد صوتی خالص (Audio in, Audio out) ساخته شده است تا این خلأ بزرگ را پر کند. این ابزار دوطرفه است؛ یعنی هم‌زمان که شما صحبت می‌کنید، او نیز می‌شنود و دقیقاً مانند یک انسان واقعی در لحظه واکنش نشان می‌دهد، وسط حرف می‌پرد یا کلمات تأییدی مثل «اوهوم» و «درسته» به کار می‌برد.

ویژگی‌ها و قابلیت‌های کلیدی مدل Dessa

این پروژه پژوهشی توسط تیمی از محققان حوزه یادگیری عمیق توسعه یافته و ویژگی‌های منحصربه‌فردی دارد که آن را از سایر مدل‌های موجود متمایز می‌کند:

• آموزش از صفر با صوت خالص: در روند آموزش این مدل از هیچ‌گونه متن یا مدل‌های ازپیش‌آموزش‌دیده استفاده نشده است.
• تشخیص و تولید احساسات: به طور بومی قادراست خنده، طعنه، آه کشیدن و تغییرات تن صدا را درک کند و پاسخ دهد.
• سرعت بالا و اجرای محلی: این مدل با سرعت بالایی اجرا می‌شود و طبق مستندات، به صورت محلی روی سیستم‌های مک‌بوک پرو مجهز به تراشه M4 Max یا قدرتمندتر قابل اجراست.
• زمان‌بندی طبیعی: مانند انسان‌ها می‌داند چه زمانی باید سکوت کند، چه زمانی پاسخ دهد و چگونه مکالمه را زنده نگه دارد.

سناریوهای استفاده و کاربردها

آشنایی با قابلیت‌های این فناوری نشان می‌دهد که نسل جدید تعاملات انسانی و رایانه‌ای به چه سمتی در حرکت است. در ادامه سناریوهایی که Dessa در آن‌ها عملکرد درخشانی دارد را بررسی می‌کنیم:

• پشتیبانی و خدمات مشتریان انسانی‌تر: ساخت دستیارهای صوتی که می‌توانند ناراحتی یا خشم مشتری را از روی لحن صدایش تشخیص دهند و با همدردی پاسخ دهند.
• پژوهش‌های هوش مصنوعی و زبان‌شناسی: بررسی اینکه مدل‌ها چگونه بدون اتکا به متن، زبان و فکت‌ها را یاد می‌گیرند و پردازش می‌کنند.
• ارتقای امنیت سیستم‌های صوتی: درک وضعیت‌های بحرانی کاربر (مثل درد شدید یا استرس بالا) از طریق لحن صدا که دستیارهای سنتی قادر به تشخیص آن نیستند.

محدودیت‌ها و نکات پنهان

پیش از هر اقدامی باید به یاد داشته باشید که Dessa در حال حاضر یک پیش‌نمایش پژوهشی (Research Preview) است. این یعنی برای استفاده عموم کاربران عادی به شکل اپلیکیشن آماده یا وب‌سایت خدماتیِ دکمه‌ای عرضه نشده است، بلکه جامعه هدف آن بیشتر پژوهشگران حوزه هوش مصنوعی و امنیت هستند. همچنین به دلیل ماهیت پردازش سنگین صوتی و نیاز به سخت‌افزارهای رده‌بالا، دسترسی و اجرای آن برای تمامی کاربران به سادگی میسر نیست.

اگر به یادگیری و ابزارهای پیشرفته حوزه هوش مصنوعی علاقه دارید، مطالعه مقالاتی نظیر معرفی ابزار DeepAI؛ پلتفرم جامع تولید تصویر و هوش مصنوعی رایگان یا بررسی معرفی بازی Jev Cards؛ مسابقه هوش مصنوعی و انسان در تشخیص تصاویر می‌تواند دیدگاه‌های جذاب تری از کاربردهای نوین این فناوری‌ها به شما ارائه دهد.

پرسش‌های متداول

جمع‌بندی

ابزار Dessa گامی نوآورانه در دنیای یادگیری عمیق و هوش مصنوعی صوتی است که ثابت می‌کند ارتباطات صوتی ماشین با انسان می‌توانند فراتر از ترجمه‌های خشک متنی باشند. این مدل با حذف متن و تکیه بر صوت خالص، پنجره‌ای جدید به سوی تعاملات طبیعی‌تر، احساسی‌تر و امن‌تر باز کرده است که بررسی آن برای محققان این حوزه ارزش زیادی دارد.

ورود به سایت رسمی