Модель Dessa: Block Джека Дорси научила ИИ говорить без текста — и уже пугает борцов с мошенниками

Новая модель Dessa от Block Джека Дорси — голосовой ИИ, который научился разговаривать без единой строчки текста: только на записях живой человеческой речи. В демо он смеётся посреди фразы, перебивает к месту и звучит настолько по-человечески, что одни пишут про «научную фантастику», а другие — про новую волну телефонного мошенничества. Разбираем, что известно о модели, чего Block не раскрыла и почему это касается тебя.

Что показала Block

Вечером 23 октября по московскому времени Джек Дорси написал в X, что голос — самый естественный способ общаться с интеллектом, и назвал Dessa «самой аутентичной full-duplex моделью речи из когда-либо созданных». На официальной странице проекта Block выложила живые записи разговоров людей с моделью и подчёркивает: никто её не направлял, она сама выбирает, что сказать, когда и каким голосом. Субтитры добавили потом.

Примеры такие. Dessa смеётся в тот момент, когда звучит шутка, а не после реплики собеседника. Если попросить говорить громче — говорит громче, хотя этому её специально не учили. Человек забывает название фильма — модель договаривает за него. На сюрприз о поездке в Париж она отвечает шёпотом «oh my god» и чем-то похожим на слёзы благодарности. Есть и запись, где Dessa разговаривает с голосовой моделью GPT-Live-1 от OpenAI — Block отдельно оговаривает, что OpenAI к проекту отношения не имеет.

Почему модель Dessa устроена иначе

Большинство голосовых ассистентов работают как конвейер: распознают речь в текст, отдают его языковой модели, а ответ снова озвучивают. По версии Block, на этом пути теряется всё, что текст не передаёт: интонация, сарказм, вздох, дрожащий голос. Модель Dessa работает по схеме «звук на входе — звук на выходе» и, как утверждает компания, сама слышит и передаёт эмоции.

Есть и обратная сторона. Как пишет TechCrunch, обычно голосовые модели опираются на большую языковую модель, чтобы знать факты, а у Dessa все знания взяты из самих разговоров. Block признаёт, что модели речи понадобилось в сотни раз меньше слов, чем текстовым LLM, но и учиться ей сложнее: одно произнесённое слово занимает в тысячи раз больше байтов, чем то же слово в тексте, а одну и ту же фразу никто не говорит дважды одинаково.

Делает модель небольшая исследовательская лаборатория внутри Block, подчиняющаяся напрямую Дорси. Её основали бывшие сотрудники торонтского стартапа Dessa, который Square купила в 2020 году; генеративными моделями речи команда, по её словам, занимается больше восьми лет.

Чем человечнее звучит голос в трубке, тем меньше он что-то доказывает: проверяй не голос, а канал связи.

Восторг и тревога

Реакции разделились, пишет CoinDesk. Одни пользователи признаются, что никогда не слышали ничего искусственного, что звучало бы так по-человечески. Чанпэн Чжао (CZ) написал, что такая модель может пригодиться его образовательному проекту Giggle Academy: учить детей «ИИ-голосом» было сложно. Другие настроены мрачнее: режиссёр Джастин Бейтман спросила, зачем ИИ-голосам звучать как люди, если не для того, чтобы люди теряли бдительность, а журналист Шив Арур предрёк звонкам мошенников «уровень пандемии».

Важно трезво оценить, что на руках. Block не раскрыла размер модели, результаты тестов и дату релиза; у неё нет API, цены и открытых весов. Всё, что мы видим, — демо, которые выбрала сама компания, а не независимые проверки. Block объясняет закрытый режим безопасностью: модель, которая научилась говорить только по звуку, — новая территория, и компания хочет, чтобы внешние исследователи нашли риски, которых она не предусмотрела.

Что это значит для тебя

Для крипты история не про сам Block — хотя компания делает Cash App, биткоин-кошелёк Bitkey и железо для майнинга Proto. Она про то, что голос перестаёт быть доказательством. Если модель Dessa или её аналоги станут доступны и будут работать на обычном ноутбуке, звонок «от поддержки биржи» или «от друга, который срочно просит перевести USDT» станет звучать ещё убедительнее.

Что делать уже сейчас:

• Не подтверждай переводы, сид-фразы и коды по голосу, даже если звонящий звучит идеально и знает детали о тебе.
• Договорись с близкими о кодовом слове на случай «срочных» просьб о деньгах.
• Помни, что поддержка нормальной биржи не звонит первой с просьбой перевести средства на «защищённый» кошелёк — об этом мы писали в гайде как распознать фишинговое уведомление.

Если тебе интересна сама гонка голосовых моделей, посмотри, как недавно обновлялись голоса ChatGPT в GPT-Live-1.1 и голосовые модели Voxtral 3 от Mistral.

FAQ

Можно ли попробовать модель Dessa? Пока нет. Это исследовательское превью, ранний доступ получит небольшая группа исследователей безопасности ИИ.

На каком железе она работает? По словам Block, локально на MacBook Pro с M4 Max или мощнее, причём быстрее реального времени.

Знает ли Dessa русский? Block этого не сообщала, а все опубликованные примеры — на английском.

Итог: модель Dessa — сильная заявка на голосовой ИИ, который звучит как человек, но пока это демо без цифр и независимых тестов. Восхищаться можно, а вот доверять голосу в трубке стоит ещё меньше, чем раньше.

Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.