Jack Dorseys Block hat ein neues Sprachmodell aus seinem Forschungslabor vorgestellt, und es klingt unheimlich menschlich – inklusive Lachen, Pausen und Weinen. Das Modell namens Dessa läuft lokal und wurde vollständig auf menschlicher Sprache und einem einzigen NVIDIA-GPU-Rack trainiert. Denn nichts sagt „authentische menschliche Emotion“ wie ein Rack voller GPUs.

Dessa ist ein Vollduplex-Modell, das heißt, es kann gleichzeitig sprechen und zuhören, ähnlich wie OpenAIs GPT-Live-Modell, das Anfang des Jahres veröffentlicht wurde. Normalerweise werden Sprachmodelle mit einem großen Sprachmodell für den Wissensabruf kombiniert, aber Block behauptet, dass Dessas Wissen aus den Konversationsdaten stammt, mit denen es trainiert wurde. Es ist also nicht nur eine hübsche Stimme – es ist eine hübsche Stimme, die tatsächlich Dinge wissen könnte.

Block argumentiert, dass aktuelle Modelle unnatürlich und nervig klingen, weil Text in der Pipeline die Sprachgenerierung steuert. Viele Modelle wie ElevenLabs v4 oder Fish Audio Drama 3 verwenden Sprach-Tags, um Emotionen zu steuern. Dorseys Firma behauptet, dass Emotion in Dessa eingebaut ist – ob diese Emotion jedoch von irgendeiner Art von Tags gesteuert wird, bleibt unklar. Es ist, als würde man sagen, dein Auto habe eingebaute Glückseligkeit, aber den Smiley-Lufterfrischer nicht erwähnen.

„Die Interaktion mit aktueller Sprach-KI kann einfach nur mies sein“, sagte das Unternehmen in einem Blogbeitrag – ein seltener Moment corporate Ehrlichkeit. „Sie verwandelt deine Stimme in Text und wirft eine unglaubliche Menge an Informationen weg, die Text allein nicht transportieren kann. Die mächtigsten KIs der Welt können nicht hören, wie du dich fühlst. Wir finden das lächerlich, es führt zu einer schlechteren Erfahrung und ist potenziell gefährlich.“ Block hat einen Punkt: Eine KI, die nicht merkt, dass du verärgert bist, ist nur ein schicker Chatbot mit einem Holzohr.

Die Forscher des Unternehmens haben mehrere Beispiele für Gespräche mit Dessa veröffentlicht, in denen der Agent verschiedene Stimmen, Sprechgeschwindigkeiten und Emotionen zeigte. In einem sagte der Bot, er sei müde von der Arbeit – und klang müde. Bahnbrechend: eine KI, die sich über ihren Job beschweren kann wie wir alle. Ein weiteres Beispiel zeigte den Bot, wie er darüber sprach, dass eine Person es sich bequem machte, während er emotional klang und fast zusammenbrach. Endlich eine KI, die einen Nervenzusammenbruch haben kann, ohne einen Therapeuten zu brauchen.

Block sagt, Dessa kann lokal auf einem Consumer-Computer wie einem MacBook M4 Max oder besser laufen. Allerdings gibt es derzeit keinen öffentlichen Zugang, und Block hat einen Aufruf an Sicherheitsforscher gestartet, das Modell zu testen – wahrscheinlich um Fälle zu untersuchen, in denen ein Sprachagent Menschen am anderen Ende täuschen könnte. Denn das Einzige, was beängstigender ist als eine KI, die menschlich klingt, ist eine KI, die menschlich klingt und versucht, dich zu betrügen.

Block ist im Finanzgeschäft und verkauft Lösungen an kleine Unternehmen. Square nutzt bereits Sprach-KI für die Auftragsabwicklung, aber mit seinem eigenen On-Device-Sprachmodell könnte Block viel mehr Geschäfts- und Verbrauchererlebnisse zu geringeren Kosten ermöglichen. Wenn du also das nächste Mal über Square einen Kaffee bestellst, sei nicht überrascht, wenn der Barista ein bisschen zu menschlich klingt – und ein bisschen zu müde.