Block, Metin Kullanmadan Eğitilen Ses Modeli Dessa’yı Tanıttı

Block Dessa adıyla duyurulan yeni yapay zekâ modeli, Jack Dorsey’nin fintek şirketi Block’un araştırma laboratuvarından çıktı. Şirketin açıklamasına göre Dessa, hiç metin verisi ve önceden eğitilmiş model kullanılmadan, sıfırdan yalnızca insan konuşmasıyla eğitilen tam çift yönlü (full-duplex) bir sesten sese konuşma modeli. Model şimdilik herkese açık değil; Block, ilk erişimi küçük bir yapay zekâ güvenliği araştırmacı grubuna veriyor.

Block Dessa nedir, ne yapıyor?

Bugünkü sesli asistanların çoğu üç adımda çalışıyor: kullanıcının sesini metne çeviriyor, metni bir büyük dil modeline gönderiyor, gelen yanıtı yeniden sese dönüştürüyor. Block’a göre bu zincir, ses tonundan duraksamalara kadar konuşmadaki bilginin büyük kısmını yolda kaybediyor. Şirket, mevcut sesli yapay zekânın “sesinizi metne çevirip inanılmaz miktarda bilgiyi çöpe attığını” söylüyor.

Dessa bu ara adımları atlıyor ve sesi doğrudan işliyor. Tam çift yönlü yapısı sayesinde aynı anda hem dinleyip hem konuşabiliyor; doğal anlarda araya girebiliyor, “hı hı” gibi onay sesleri çıkarabiliyor. Block, modelin duygu, alay, kahkaha, hayal kırıklığı ve hüzün gibi ifadeleri hem tanıyıp hem de aktarabildiğini belirtiyor.

Şirketin Dessa tanıtım sayfasında model, “yalnızca insan konuşmasıyla eğitilmiş, gerçekçi canlı sohbet edebileceğiniz dünyanın ilk yapay zekâsı” olarak tanımlanıyor. Bu iddiayı doğrulayan bağımsız bir test ya da karşılaştırmalı performans verisi henüz paylaşılmadı; elimizdeki kanıt, Block ekibinin yayımladığı örnek sohbet kayıtlarından ibaret.

Block Dessa nasıl eğitildi?

Modelin en dikkat çeken yanı eğitim yöntemi. Block’un açıklamasına göre Dessa’nın bilgisi eşleştirilmiş bir dil modelinden değil, doğrudan konuşma verisinden geliyor. Şirket, modelin dili büyük dil modellerine kıyasla “yüzlerce kat daha az kelimeyle” öğrendiğini ileri sürüyor; ancak veri setinin büyüklüğünü açıklamıyor.

• Veri: Yalnızca insan konuşması; metin verisi ve hazır model yok.
• Donanım: Eğitim tek bir NVIDIA GB200 NVL72 sistemiyle yapıldı.
• Çalışma ortamı: Model, MacBook Pro M4 Max ve üzeri bilgisayarlarda yerel olarak çalışabiliyor.
• Erişim: Araştırma önizlemesi; şimdilik yalnızca seçili güvenlik araştırmacılarına açık.

Block, Dessa’nın ne söyleyeceğine, ne zaman yanıt vereceğine ve kendini nasıl ifade edeceğine kendisi karar verdiğini söylüyor. Şirkete göre model, bunun için özel olarak eğitilmeden cümle ortasında gülebiliyor ya da istendiğinde ses yüksekliğini ayarlayabiliyor.

Neden önce güvenlik araştırmacılarına açıldı?

İnsan sesinden ayırt edilmesi zor bir model, dolandırıcılık ve kimlik taklidi riskini de beraberinde getiriyor. Block da bu nedenle Dessa’yı genel kullanıma açmadan önce küçük bir yapay zekâ güvenliği araştırmacı grubuna erken erişim veriyor. Amaç, şirketin öngöremediği riskleri, özellikle bir sesli ajanın insanları yanıltabileceği senaryoları önceden tespit etmek.

Çağrıyı Dessa’nın lideri Ragavan Thurairatnam imzalıyor. Tanıtım sayfasında “lansman bağlantılarının yakında geleceği” belirtiliyor; fiyat, takvim ya da ticari kullanım planına dair bir bilgi yok.

Dessa adı nereden geliyor?

İsim yeni değil. Block, henüz Square adını taşırken Şubat 2020’de Toronto merkezli makine öğrenmesi şirketi Dessa’yı satın almıştı. Dessa, satın alma öncesinde gerçeğe çok yakın ses üretimi (deepfake) ve deepfake tespiti çalışmalarıyla tanınıyordu. Yeni modelin bu ekibin birikimi üzerine kurulduğu anlaşılıyor; Thurairatnam da o dönemin kurucu ortaklarından.

Square, Cash App ve Afterpay gibi ödeme ürünleriyle bilinen Block, son dönemde yapay zekâyı şirketin merkezine taşıyor. Dorsey’nin bu yılki yeniden yapılanma hamlesini Jack Dorsey’nin yapay zekâ merkezli yeni dönem kararı haberimizde ele almıştık. Block Dessa, bu stratejinin ödeme ürünlerinin dışına taşan ilk büyük araştırma çıktılarından biri.

Sesli yapay zekâ ise yatırımcıların gözdesi olmayı sürdürüyor. Kısa süre önce toplantı asistanı Otter.ai’ın 320 milyon dolarlık finansmanını ve sesle yazma uygulaması Wispr’ın 2 milyar dolar değerlemeyle aldığı yatırımı duyurmuştuk. OpenAI ve Google gibi devler de kendi gerçek zamanlı ses modelleri üzerinde çalışıyor.

Gifi+ yorumu: Block Dessa metni devreden çıkarıyor

Block Dessa’nın asıl iddiası performans değil, yöntem. Sektör yıllardır sesi metne çevirip dil modeline vermeyi standart kabul ederken Block, konuşmanın kendisinin yeterli bir öğretmen olabileceğini savunuyor. Bu tez doğruysa, daha az veri ve daha az hesaplama gücüyle daha doğal sesli ajanlar mümkün olabilir; modelin bir dizüstü bilgisayarda çalışabilmesi de bu açıdan önemli bir sinyal.

Yine de bağımsız ölçüm olmadan iddiaları temkinle karşılamak gerekiyor. Türkiye’de çağrı merkezi, müşteri hizmetleri ve sesli asistan alanında çalışan girişimler için ise mesaj net: Ses, metnin yan ürünü olmaktan çıkıyor. Block Dessa’nın güvenlik testlerinden nasıl çıkacağı, hem bu alanın hem de ses taklidine karşı düzenlemelerin yönünü belirleyecek.