โมเดล “เสียง AI” สมจริง เหมือนมนุษย์พูด ใช้งานได้บนคอมฯ ทั่วไป

บริษัทบล็อก (Block) บริษัทด้านเทคโนโลยีทางการเงิน สัญชาติสหรัฐฯ ของแจ็ค ดอร์ซีย์ (Jack Dorsey) เปิดตัวโมเดลเสียงรุ่นใหม่ ซึ่งสามารถประมวลผลบนตัวเครื่องได้โดยตรง (run locally) และให้เสียงที่เหมือนมนุษย์ได้อย่างน่าทึ่ง ทั้งการแสดงอารมณ์ เช่น เสียงหัวเราะ การเว้นจังหวะ และการร้องไห้ โดยมีชื่อโมเดลว่า เดสซ่า (Dessa) ถูกฝึกฝนด้วยเสียงพูดของมนุษย์แบบโดยใช้ แร็กจีพียู (GPU rack) ของเอ็นวิเดีย (Nvidia) เพียงชุดเดียว

เดสซ่า (Dessa)

เดสซ่า (Dessa) เป็นโมเดลแบบฟูล ดูเพล็กซ์ (Full-duplex) ซึ่งหมายความว่าสามารถพูดและฟังได้พร้อมกันในเวลาเดียว โดยทั่วไป โมเดลเสียงมักจะจับคู่กับโมเดลภาษาขนาดใหญ่ (LLM) เพื่อดึงข้อมูลความรู้ แต่บล็อก (Block) ระบุว่าความรู้ของเดสซ่า (Dessa) มาจากข้อมูลบทสนทนาที่ตัวมันมีอยู่แล้ว

บริษัทชี้ว่าโมเดลเสียงในปัจจุบันมักฟังดูไม่เป็นธรรมชาติและน่ารำคาญ เพราะใช้กระบวนการแปลงข้อความ (text pipeline) มาเป็นตัวขับเคลื่อนการสร้างเสียงโมเดลหลายตัว เช่น อีเลเว่นแล็บส์ วี 4 (ElevenLabs v4) หรือฟิชออดิโอดราม่า 3 (Fish Audio Drama 3) ใช้แท็กกำกับเสียงเพื่อควบคุมอารมณ์ในการสังเคราะห์เสียงพูด แต่บล็อก (ฺBlock) อ้างว่าสำหรับโมเดล เดสซ่า (Dessa) จะมีอารมณ์ความรู้สึกฝังมาในตัวโมเดลเลยตั้งแต่ต้น 

เอไอไม่รู้ว่าเรารู้สึกยังไง

บริษัทระบุในบล็อกโพสต์ว่า การที่ AI ไม่รับรู้ความรู้สึกของผู้พูดส่งผลให้ประสบการณ์ใช้งานแย่ลง เนื่องจากการที่ AI แปลงเสียงเป็นข้อความและละทิ้งข้อมูลมหาศาลที่ตัวอักษรเพียงอย่างเดียวไม่สามารถสื่อได้ ทำให้การโต้ตอบกับ AI เสียงในปัจจุบัน อาจเป็นเรื่องที่แย่มาก 

อย่างไรก็ตามผลงานของบริษัทนั้นต่างออกไป โดยมันสามารถแสดงอารมณ์ ความรู้สึก ผ่านน้ำเสียงได้คล้ายกับมนุษย์อย่างยิ่ง ซึ่งทีมวิจัยได้พิสูจน์ความสามารถนี้ด้วยการ โพสต์ตัวอย่างบทสนทนากับเดสซ่า (Dessa) หลายรายการ ซึ่งตัว AI แสดงน้ำเสียง จังหวะจะโคน และอารมณ์ที่แตกต่างกันออกไป ตัวอย่างเช่น ในบทสนทนาหนึ่ง บอตพูดว่าเหนื่อยจากการทำงาน และน้ำเสียงตอนนั้นก็ฟังดูเหนื่อยล้าจริง ๆ

ในอีกตัวอย่างหนึ่ง AI บอต ได้เพูดถึงการที่ผู้ใช้งานที่สนทนาด้วย ทำให้ตัวเองรู้สึกสบายใจ โดยมันเลือกใช้น้ำเสียงที่เปี่ยมไปด้วยอารมณ์ และแสดงออกว่าตนเอง แทบจะกลั้นน้ำตาไว้ไม่อยู่

ประมวลผลได้บนเครื่องทั่วไป

บริษัทระบุว่า โมเดลนี้สามารถประมวลผลบนเครื่องระดับทั่วไปได้ เช่นแม็คบุค เอ็ม 4 แม็กซ์ (MacBook M4 Max) หรือรุ่นที่สูงกว่า อย่างไรก็ตาม ในขณะนี้เดสซ่า (Dessa) ยังไม่เปิดให้บุคคลทั่วไปเข้าใช้งาน และ บล็อก (Block) ได้เปิดรับนักวิจัยด้านความปลอดภัยเพื่อเข้ามาทดสอบโมเดล ซึ่งน่าจะเป็นการทดสอบกรณีที่ตัวแทนเสียง (Voice agent) อาจหลอกลวงผู้ฟังที่อยู่อีกฝั่งหนึ่ง

สำหรับใครที่อยากฟังว่าเสียงของเอไอเป็นอย่างไร ลองกดฟังได้ด้านล่างนี้

https://block.xyz/dessa