ジャック・ドーシーのBlockが音声AI「Dessa」を発表 — 人間の音声のみで単一のNvidiaラックを使い学習
重要ポイント
- •Blockは、テキストデータや事前学習済みモデルを一切使わず人間の音声のみで学習した音声モデル「Dessa」を発表しました。同社によると、MacBook Pro M4 Max以上でローカルに動作します。
- •Dessaはフルデュプレックスの音声間モデルで、同時に話し、聞くことができ、文字起こし・処理・発話を厳密なターンで行う従来のアシスタントとは異なり、リアルタイムより高速に動作します。
- •モデルはBlackwell GPU 72基を連結したNvidia GB200 NVL72ラック1台で学習され、テキストベースのLLMに必要な量より倍少ない単語から言語を習得しました。
- •公開された録音では、DessaはOpenAIのGPT-Live-1と誘導なしの会話を行いましたが、GPT-Live-1の開発者はDessaを検証も承認もしていません。
- •Dessaは一般公開されておらず、Blockはウェイトリストを運用し、少数のAI安全性研究者に早期アクセスを提供していますが、広範なリリースの時期は示されていません。
ジャック・ドーシー率いる決済企業Blockは、人間の音声のみを使用し、テキストデータも事前学習済みモデルも使わずに新しい音声モデル「Dessa」を学習したと、公式発表で述べました。Blockによると、完成したモデルはMacBook Pro M4 Max以上のマシン上でローカルに動作し、プロジェクトを担う小規模な研究ラボはNvidiaサーバーのラック1台で学習を行いました。ローカル実行とは、会話がクラウドサービスを経由せず、マシン自体で処理されることを意味します。
Blockは、Dessaを、人間の音声のみで学習された中で、実際の生きているような会話を維持できることが確認されている範囲で初のAIと位置付けています。このモデルを開発したコンパクトな研究ラボは、ドーシーの直属です。
フルデュプレックスモデルがOpenAIのGPT-Live-1と誘導なしのデモを実施
多くの音声アシスタントは、人の発言をテキストに変換し、そのテキストを言語モデルに通し、その結果を再び音声に変換します。Blockは、このパイプラインは感情、皮肉、笑い、そして同社が「声が震える悲しい声」と呼ぶものを切り捨ててしまうと主張しています。
Dessaは代わりに、音声を直接音声に変換し、テキスト段階を介しません。会話する二人の人間のように、話すことと聞くことを同時に行います — 音声は、文字起こし・処理・発話のパイプラインが許す厳密なターン制ではなく、同時に双方向に流れます。Blockによると、モデルはいつ割り込むべきか、いつ「うん!」や「了解!」と相づちを打つべきかを判断し、リアルタイムよりも速く動作します。
Blockによると、公開された録音では誰もモデルを誘導しておらず、Dessa自身が何を、いつ、どのように話すかを選択しています。クリップの中で、Dessaは文の途中で笑い、驚くと息をのみ、声を大きくするよう求められると声量を上げます。録音の一つでは、DessaはOpenAIのGPT-Live-1と会を行いました。Blockは、GPT-Live-1の開発者はDessaを検証も承認もしていないと注記しています。
プロジェクトリーダーのRagavan ThurairatnamはXでの発表で次のように書きました:
"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech." pic.twitter.com/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) October 23, 2026
GB200 NVL72ラック、そして「数百倍少ない単語」
Dessaは、NvidiaのBlackwell GPU 72基を1台のマシンとして連結するラックスケールシステム、Nvidia GB200 NVL72を1基使用して学習されました。ラボによると、モデルはテキストベースのLLMに必要な量より「数百倍少ない単語」から言語を習得しました。Blockは、音声がこの作業をより困難にしたと説明します。話される単語は、印刷された同じ単語より数千倍多いバイト数を運ぶといいます。
このラボは、トロントのディープラーニングスタートアップであるDessaの元メンバーによって設立され、チームは8年以上にわたり生成的音声モデルを構築してきました。Thurairatnamがプロジェクトを率いており、Xで今回のリリースを「音声におけるGPT-3の瞬間」と呼びました — これは、機械生成の文章を研究デモから広く使われるツールへと変えたOpenAIの2020年のテキストモデルGPT-3への言及であり、音声を同様の転換点に位置付ける彼の表現です。
Dessaは一般公開されていません。Blockはウェイトリストを運用し、チームが予見していないリスクを明らかにするため、少数のAI安全性研究者に早期アクセスを提供しています。広範な提供の時期について、発表では示されませんでした。
Blockがこのモデルの構築に至った動機は三つあります。二つは好奇心と、人間とAIのより良い相互理解です。三つ目は安全性です。Blockは、強い苦痛の中にいる人がいても、音声AIがそれに気づかず話し続けるというシナリオを挙げています — まさに、テキスト優先のパイプラインがモデルが聞く前に切り捨ててしまう種類の感情的シグナルです。
この発表は、Blockの変革期にもたらされました。Cryptopolitanが報じたように、旧Squareである同社(NYSE: XYZ)は2月に従業員の40%をレイオフしました。7月には、Blockが、人間とAIエージェントがチャンネルを共有できる職場向けチャットアプリBuzzを公開しています。
