Blockは10月23日、文字を介さず人の会話音声だけで学習した音声モデル「Dessa」を発表した。公開されているのはデモ音声と待機リストだけで、外から検証できる材料はまだ少ない。
BlockがDessaで公開したもの
発表はblock.xyz/dessaの1ページに収まっている。デモ音声が並び、待機リストの入力欄がある。APIも重みも価格もない。先に触れるのは、同社が選んだ少数のAI安全研究者だけだ。
BlockはSquareとCash Appを抱える決済会社である。ジャック・ドーシーが率いるこの会社が、社内研究チームの成果として音声モデルを出した。決済と店頭業務を主力にする会社が音声を選んだ点は、後の設計判断につながる。
音声対話モデルDessaは文字を経由しない
一般的な音声アシスタントは3段階で動く。利用者の音声を文字にし、言語モデルが返事を書き、読み上げエンジンが声にする。この中継のたびに情報が落ちる。間に入る言語モデルは、利用者の声そのものを一度も聞いていない。
Dessaはその中継を飛ばす。会話音声だけで一から学習したモデルなので、声が入って声が出る。Blockの説明はこうだ。現在の音声AIは音を文字に圧縮し、文字では表せない情報を捨てている。
この主張は立てるのが簡単で、確かめるのが難しい。論文も第三者評価もベンチマーク表もない。Blockの外で誰かが動かすまでは、「音声だけで学習した」は結果ではなくレシピの説明にとどまる。
Dessaの全二重、相づちと遮りが成り立つ仕組み
Dessaは全二重（Full-Duplex）で動く。相手が話している最中にも聞き続け、割り込みを受け、その場で反応を変える。今年OpenAIがGPT-Liveで前面に出したのと同じ性質だ。
電話や店頭の注文では、この差がはっきり出る。客は「えっと、いや、待って、大きい方」と途中で言い直す。文字起こしを待ってから返す仕組みは、この言い直しを取りこぼす。聞きながら待てるモデルなら、その場で注文を訂正できる。
知識の扱いも変わる。Dessaは会話そのものを学習データにしているため、知識は会話コーパスから来る。外部の大規模言語モデルに検索させる構成は取らない、と同社は説明する。会話に含まれない専門知識をどう補うのかは、公開資料からは読み取れない。
Dessaが笑いや泣き声まで再現するという主張
公式デモには、仕事で疲れたと話す声が本当に疲れて聞こえる場面がある。驚きの旅行を告げられ、のどが詰まったように礼を言う場面もある。
読み上げ型の音声合成が苦手とする領域だ。書き言葉には句読点がある。ため息や言いよどみを表す記号はない。
ただしデモは編集できる。葬儀の場で笑う音声を公開する会社はない。ここは割り引いて聞くべき部分である。では、この声は電話口でどこまで通るのか？
DessaはMacBook Pro M4 Maxで動くという
Blockは、DessaがMacBook Pro M4 Max以上の構成で動くと説明する。手元のノートPCで推論が完結するなら、クラウドのAPIを呼ぶ回数だけ費用が減る。
学習側の規模については報道に幅がある。TechCrunchはNVIDIAのGPUラックを1組使ったと伝えている。これは同社の公式発表ではなく媒体の記述だ。
決済会社にとってこの点は大きい。Squareの飲食店向け機能にはAI音声注文がすでにある。電話口の注文は短く、同じ言い回しが繰り返され、厨房は騒がしい。1件あたりの推論費が下がれば、店舗ごとの通話をすべてAIに任せる判断がしやすくなる。
Dessaの声のリアルさが、そのまま詐欺の道具になる
声が本人に似るほど、なりすましに使える。CoinDeskなどは、詐欺対策の関係者がDessaのデモに懸念を示したと報じている。
Blockが初期アクセスを安全研究者に絞った点も、この文脈で読める。電話の向こうにいる人間を音声エージェントが騙せるか。その試験を先に回したい、という意図である。
同社が挙げる開発動機は3つ。好奇心、人と機械の相互理解の改善、安全性だ。どれも筋は通る。同時に、まだ売るものがない研究所が口にする言葉でもある。
Dessaで今できることと、これから出る数字
現時点で利用者にできるのは、デモを聴いて待機リストに名前を置くことだけだ。研究者向けの初期アクセスに通れば、モデルに触れられる。
業務でSquareを使う店舗にとって、今四半期に変わるものはない。見るべき点は2つある。Squareが実際の注文をDessaに流し始めるか。第三者の研究所がなりすまし試験の結果を出すか。
どちらも出ていない間、Dessaは「いつか出せる理由がある会社の、よくできたデモ」という評価に落ち着く。音声の質は本物だ。だが本物なのは、今のところデモだけである。
