Block、音声だけで学ぶDessaを紹介

Blockは、人の会話音声から学習するモデルDessaを紹介しました。文字を中間表現とする音声システムとは異なる方向を目指し、話すことと聞くことを同時に行う会話や、間、笑い、感情を含む応答を実演しています。

同社は、音声を文字に変換すると話し方や感情に関する情報が失われると説明しています。Dessaでは、会話そのものに含まれる情報を使って、より自然なやり取りを目指します。

デモは表現力のある応答を示す一方、相手の名前を取り違える場面なども含まれています。自然な声の印象と、応答内容の正確さは分けて評価する必要があります。

モデルはM4 Max以上の機器でローカル実行できるとされています。記事時点では一般公開ではなく、安全性を研究する人たちへの案内が中心で、人に強い親近感を与える音声の影響も検証課題です。