#block

Blockの研究チームが公開した「Dessa」は、テキストではなく音声だけで学習した会話モデルだ。元記事は、このモデルが人間のように相槌を打ち、笑い、言いよどみ、感情の揺れまで含めて会話できる、と強く打ち出している。単なる音声読み上げや音声認識の延長ではなく、「話すこと」そのものを音から学ばせた点が売りになっている。AIの音声体験がまだぎこちない、という不満は多くの人に覚えがあるはずで、そこに真正面から挑んだ発表として読むと分かりやすい。 元記事によると、Dessaは「speech-to-speech」、つまり音声入力に音声で返す会話モデルで、しかも学習に使ったのは人間同士の会話の音だけだった。テキストは使っていないし、事前学習済みモデルも使っていない、とBlockは説明している。著者たちは、音声AIは一度テキストへ変換してしまうせいで、感情やニュアンス、間の取り方、笑い声、ため息のような情報が抜け落ちると考えている。Dessaはその欠点を避けるために作られた。 公開ページには、実際の会話録音のデモが並ぶ。説明によれば、下の例はすべて人がDessaに話しかけたライブ録音で、Dessaは