Blockの音声モデル「Dessa」、感情表現を備えた全二重対話を実現

概要

音声AIは、入力された文章を自然な声で読み上げる段階から、会話そのものを音声で処理する段階へ移りつつある。Blockの研究チームが発表した「Dessa」は、その方向性を示すモデルだ。公開されたデモでは、笑い声、沈黙、話す速さの変化、疲れたような声、感情が崩れそうな表現などが確認できる。単に文章を読み上げるのではなく、相手とのやり取りに合わせて声の状態を変えることを狙っている。

主なポイント

• 全二重の対話：Dessaは、ユーザーの発話を聞きながら話すことができる。相手が完全に話し終わるまで待つ一般的な音声アシスタントより、自然な会話のテンポに近づけやすい。
• 音声から音声への設計：Blockによれば、モデルは人間の音声だけを使って訓練された。訓練には単一のNVIDIA GPUラックを使ったというが、モデルの規模や詳細な構成は明らかにされていない。
• テキスト処理への依存を低減：従来の音声モデルでは、まず文章を生成し、その後に感情タグなどを加えて音声化する方式が使われることがある。Blockは、この過程で声の高さ、間、ためらい、語気といった情報が失われると指摘する。Dessaは、そうした特徴を音声同士のやり取りの中で扱うことを目指す。
• 端末上で動作：Blockは、MacBook M4 Max以上のコンシューマー向けコンピューターで実行できるとしている。ただし、遅延、メモリー使用量、正確なハードウェア要件は公開されていない。
• 一般公開は未定：現在、誰でも利用できる状態ではない。Blockは、音声エージェントが人間をだましたり、真人間だと誤認されたりするケースを調べるため、安全性研究者を募っている。

影響と課題

ローカル実行が実用化すれば、Dessaの強みになる可能性がある。音声処理の一部を端末内で完結できれば、クラウドへの依存、通信による遅延、推論コストを抑えられる場合がある。また、企業向けツールや家電などに音声対話を組み込みやすくなる可能性もある。Block傘下のSquareはすでに注文受付に音声AIを利用しており、同社には商用サービスへ展開する背景がある。

一方で、人間らしさはそのまま安全上のリスクにもなる。疲労や弱さを感じさせる声は、利用者に過度な親近感や信頼感を抱かせるかもしれない。AIであることの表示、録音への同意、なりすまし対策、会話の監査などは、性能と同じくらい重要になる。

現時点でDessaは、完成した汎用アシスタントというより、音声AIの設計思想を示す技術デモと見るのが妥当だ。長時間の会話、事実性、割り込み処理、安全性がどの程度なのかは、公開テストを待つ必要がある。声がどれほど人間らしいかだけでなく、自然さと透明性、プライバシー、安全性を両立できるかが今後の焦点になる。

出典：TechCrunch AI