Ne duyuruldu?
Block'un yapay zekâ araştırma laboratuvarı, 23 Ekim 2026'da Dessa adlı konuşma modelini araştırma önizlemesi olarak duyurdu. Dessa sesi doğrudan sese çeviriyor: girdi ses, çıktı ses. Arada metin katmanı yok.
Model "tam çift yönlü" (full-duplex) çalışıyor; yani konuşurken aynı anda dinleyebiliyor. Block'a göre model, gerçek konuşmalardan ne zaman söze gireceğini ve "evet", "anladım" gibi kısa onaylarla karşılık vereceğini öğrendi.
Metinsiz eğitim ne değiştiriyor?
Yaygın sesli asistanlar üç aşamalı bir zincir kullanıyor: konuşma tanıma, metin modeli, ses sentezi. Block ekibi bu zincirin duygu, alaycılık, kahkaha ve iç çekme gibi sinyalleri kaybettiğini savunuyor. Dessa bu sinyalleri doğrudan işliyor.
Block'un açıkladığı kadarıyla eğitim verisi yalnızca insan konuşması kayıtlarından oluşuyor; metin ve önceden eğitilmiş model kullanılmadı. Eğitim, 72 Blackwell GPU ve 36 Grace CPU'yu bir araya getiren tek bir NVIDIA GB200 NVL72 rafında yapıldı. Şirket, modelin dili büyük dil modellerine göre yüzlerce kat daha az kelimeyle öğrendiğini belirtiyor.
Sınırlar
- Şu an yalnızca demo var; yayımlanmış benchmark sonucu yok.
- Model ağırlıkları, teknik makale, API ve fiyat paylaşılmadı.
- Çıkarım, MacBook Pro M4 Max veya daha güçlü bir cihazda gerçek zamandan hızlı çalışıyor. Ancak proje sayfası ile ekip liderinin sosyal medya paylaşımı arasında cihaz konusunda bir tutarsızlık var.
Karşılaştırma
Block, Dessa'yı Kyutai'nin açık çift yönlü modeli Moshi, NVIDIA'nın PersonaPlex-7B-v1 modeli ve OpenAI'ın GPT-Live-1'iyle kıyaslıyor. Moshi metin modeli temelinden başlıyor ve 1.016 H100 GPU ile eğitildi; Dessa ise doğrudan konuşmadan başlıyor. Block'un rakamları kendi beyanına dayanıyor.
