Bemutatnak egy új hangalapú mesterséges intelligencia modellt, amelyet a Jack Dorsey vezette Block vállalat Desa nevű kutatólaboratóriumában fejlesztettek ki. A felvételen keresztül bepillantást nyerünk egy állítólag élő beszélgetésbe, amely során a modellel természetes kontextusban folytatnak párbeszédet.
Az alkotók hangsúlyozzák, hogy a jelenlegi hangasszisztensek általában írott szöveggé alakítják a beszédet, majd azt újra hanggá konvertálják, miközben sok fontos árnyalat – például hanglejtés, szünetek vagy érzelmek – elveszik. Ezzel szemben a Desa modellt kizárólag hangfelvételeken képezték, így képes a valós beszélgetés dinamizmusát, megszakításait vagy közbeszólásait utánozni.
Megtették azt a bemutatót, amely szerint a rendszer akár egy MacBook Pro M4 Max gépen is valós időben képes futni, valamint részletekkel szolgálnak a fejlesztőcsapat hátteréről és arról, hogy milyen hardveren tanították a modellt. Kapcsolódó kérdések merülnek fel a mesterséges beszéd minőségével és természetességével kapcsolatban. A videóban hangmintákat elemeznek és kritizálnak, miközben további hangmintákat játszanak le, köztük egy rövid, filmes témájú párbeszédet is.
Felvetődik a kérdés, vajon a Desa ténylegesen új mércét állít-e a generatív hangmodellek között, illetve miben térhet el az eddig ismert fejlesztésektől – különösen az adathasználat és a beszéd természetes feldolgozása terén. A narrátor saját tapasztalatait és eddigi próbálkozásait is megosztja, miközben a további tesztelési lehetőségekre és közösségi visszajelzésekre ösztönöz.
