Block、音声だけで学ぶDessaを発表

Blockは実験的な会話モデルDessaを発表した。同社によると、文字や事前学習済みモデルを使わず、人の音声だけでゼロから学習した。文字起こしで失われやすい間や声の調子を残す狙いだ。現段階では研究の実演であり、誰もが利用できるアシスタントではない。

文字起こしを介さない狙い

一般的な音声アシスタントには、音声を文字にし、言語モデルで回答を作り、再び音声にする方式がある。便利な分業だが、文字起こしは会話の圧縮版でもある。ためらい、割り込み、張り詰めた声は、同じ言葉の意味を変えうる。既存システムのすべてが同じ方式を使うわけではない。

BlockはDessaを音声入力・音声出力のモデルと説明する。実演には笑い声、音量の変化、感情を感じさせる応答がある。TechCrunchも発表と実演を報じたが、独立報道がそのまま信頼性の独立評価になるわけではない。

全二重とは、聞くことと話すことを重ねられる仕組みだ。相手が完全に話し終わるまで待たず、応答中にも訂正を受け取ったり、相手の話に短く相づちを入れたりできる可能性がある。重要なのは声の自然さだけでなく、会話のタイミングだ。

公式ページは掲載例をライブ会話の録音とし、字幕は後から加えたと説明する。選ばれた例は目指す体験を示すが、不適切な割り込みや訂正の見落とし、騒音下の失敗頻度までは分からない。

BlockはM4 Max搭載のMacBook Proか、それ以上の環境でローカル動作し、実時間より速く推論すると述べる。これは開発元の説明であり、複数端末を比較した独立検証ではない。一般的な消費者向けパソコンなら何でも動く、という意味でもない。

端末内の推論は、設計次第で会話音声のサーバー送信を減らせる。ただしアプリの録音、保存、データ利用方針まで自動的に保証しない。公式には待機リストと少数の安全性研究者向け早期アクセスがあり、無制限の一般提供ではない。

同社は学習にNVIDIA GB200 NVL72を一システム使い、大規模言語モデルの数百分の一の単語数で学んだとも述べる。これらは企業の自己申告で、能力、データ品質、計算費用や消費電力を同条件で比べた数字ではない。一システムはGPU一基と同義ではない。

次に必要なのは、端末別の遅延、割り込み時の挙動、アクセントや雑音への対応、事実の正確さ、相手が機械だと利用者が認識できるかの検証だ。思いやりのある声は、感情や理解、医療助言への適性の証拠にはならない。

今は有望な音声インターフェース研究として捉え、信頼できるサービスの代替と早合点しないことだ。将来製品化された場合も、提供範囲、機器要件、録音の制御を確認してから使いたい。