Jack Dorseys Block har presenterat en ny röstmodell från sitt forskningslabb, och den låter kusligt mänsklig – komplett med skratt, pauser och gråt. Modellen, som heter Dessa, körs lokalt och är helt tränad på mänskligt tal och ett enda NVIDIA GPU-rack. För inget säger "autentisk mänsklig känsla" som ett rack med GPU:er.

Dessa är en full-duplex-modell, vilket innebär att den kan prata och lyssna samtidigt, ungefär som OpenAI:s GPT-Live-modell som släpptes tidigare i år. Vanligtvis paras talmodeller ihop med en stor språkmodell för kunskapsinhämtning, men Block hävdar att Dessas kunskap kommer från den konversationsdata den tränats på. Så det är inte bara en vacker röst – det är en vacker röst som faktiskt kan veta saker.

Block argumenterar att nuvarande modeller låter onaturliga och irriterande eftersom de har text i pipelinen som driver talgenereringen. Många modeller, som ElevenLabs v4 eller Fish Audio Drama 3, använder rösttaggar för att styra känslor. Dorseys företag hävdar att känslor är inbyggda i Dessa – även om det är oklart om den känslan styrs av någon form av taggar. Det är som att säga att din bil har inbyggd lycka, men inte nämna den smiley-formade luftfräscharen.

"Att interagera med nuvarande röst-AI kan helt enkelt suga", sa företaget i ett blogginlägg, i ett sällsynt ögonblick av företagsärlighet. "Det förvandlar din röst till text och kastar bort en otrolig mängd information som enbart text inte kan förmedla. Världens mest kraftfulla AI:er kan inte höra hur du känner. Vi tycker att det är löjligt, leder till en sämre upplevelse och är potentiellt farligt." Block har en poäng: en AI som inte kan avgöra att du är upprörd är bara en fin chatbot med tondövhet.

Företagets forskare publicerade flera exempel på konversationer med Dessa, där agenten uppvisade olika röster, kadenser och känslor. I ett exempel sa boten att den var trött från jobbet – och lät trött. Banbrytande grejer: en AI som kan klaga på sitt jobb precis som vi andra. Ett annat exempel visade boten prata om en person som fick den att känna sig bekväm medan den lät känslosam och nästan bröt ihop. Äntligen en AI som kan få ett sammanbrott utan att behöva en terapeut.

Block säger att Dessa kan köras lokalt på en konsumentdator som en MacBook M4 Max eller bättre. Men det finns ingen offentlig åtkomst för tillfället, och Block har utfärdat en uppmaning till säkerhetsforskare att testa modellen – troligen för att undersöka fall där en röstagent skulle kunna lura människor i andra änden. För det enda som är läskigare än en AI som låter mänsklig är en AI som låter mänsklig och försöker lura dig.

Block är verksamt inom finans och att sälja lösningar till småföretag. Square använder redan röst-AI för att hantera beställningar, men med sin egen röstmodell på enheten skulle Block kunna driva många fler affärs- och konsumentupplevelser till lägre kostnad. Så nästa gång du beställer en kaffe via Square, bli inte förvånad om baristan låter lite för mänsklig – och lite för trött.