Dessa לומד משיחות אנושיות ומסוגל להקשיב תוך כדי דיבור. מאחורי ההדגמות הרגשיות מסתתרת שאלה עסקית: כמה מהשיחה עם הלקוח אפשר להעביר למכונה מקומית?
הפרט המעניין במודל הקול החדש של Block אינו רק הדרך שבה הוא נשמע, אלא המקום שבו הוא אמור לעבוד: על המחשב שלכם. לפי הדיווח ב-TechCrunch, החברה של ג'ק דורסי הציגה מודל בשם Dessa, עם קול אנושי להפליא. בינתיים מדובר בהצצה למחקר, ולא בעוזר שאפשר להתקין הערב. אבל הכיוון מסקרן: מערכת שמנסה ללמוד את השיחה עצמה, על הקצב וההיסוסים שלה, במקום להסתפק במילים שנאמרו בה. עבור חברה שעוסקת בתשלומים ובכלים לעסקים, זו עשויה להיות הרבה יותר מהדגמה מוצלחת של קול סינתטי.
לפי סיקור ההכרזה ב-AICoder, שמפנה לעמוד המחקר של Block, המודל אומן מאפס על הקלטות של שיחות אנושיות, ללא טקסט וללא מודלים שאומנו מראש. הוא פועל במתכונת full-duplex: יכול להקשיב ולדבר באותו זמן, להשתלב בשיחה ולהגיב גם לפני שבן השיח סיים נאום מסודר. ההבדל אינו קוסמטי. בשיחה רגילה, צחוק, הפסקה או שינוי בטון יכולים לשנות את משמעות המשפט; תמליל לבדו אינו משמר את כל המידע הזה. בהדגמות שפורסמו המודל מציג קולות, מקצבים ותגובות רגשיות מגוונים. עם זאת, יכולת להפיק קול שנשמע נרגש אינה הוכחה להבנה רגשית, ובוודאי אינה אומרת שלמערכת יש רגשות.
ההבטחה הטכנית הבולטת היא שלדברי Block, Dessa יכול לרוץ מקומית על MacBook Pro עם שבב M4 Max ומעלה. זהו רף חומרה משמעותי, ולא הבטחה לפעולה על כל לפטופ. כפי שמציין סיקור נוסף של ההכרזה, חסרים עדיין פרטים כמו דרישות הזיכרון, גודל המודל ומדידת השהיה מפורטת. גם צריך להפריד בין הפעלה לאימון: היכולת לנהל שיחה במחשב נייד אינה אומרת שאפשר לבנות עליו את המודל מאפס. לפי הסיקור ב-AICoder, אין עדיין גישה ציבורית למודל, ממשק API או משקלים להורדה, והגישה המוקדמת מיועדת לקבוצה מצומצמת של חוקרי בטיחות. לכן, גם מי שמחזיק במחשב המתאים עדיין אינו יכול לבדוק בעצמו אם השיחה זורמת כמו בהדגמות.
החיבור העסקי כבר קיים סביב Block. לפי מדריך השירות הרשמי של Square, מערכת ההזמנות הקולית שלה יכולה לענות לטלפון של העסק, לקבל הזמנות ולהעביר אותן למערכות התפעול. ב-14 באוקטובר הכריזה Square גם על קיוסק חדש עם ממשק הזמנה קולי, שמאפשר לשאול על התפריט ולבקש שינויים. אלה מוצרים ושירותים נפרדים מהמודל המחקרי, ואין בהכרזות האלה הוכחה ש-Dessa מפעיל אותם. ובכל זאת, הן מסבירות מדוע חברת תשלומים משקיעה בשיחה: הקול הוא עוד דלת שדרכה לקוח יכול להגיע להזמנה, לתשלום ולרכישה נוספת. הצלחה כאן נמדדת גם בהזמנה שנקלטה נכון, לא רק בקול שנשמע משכנע.
מבחינת עסק ישראלי, המשמעות האפשרית היא שילוב בין חוויית שירות לעלות התפעול. בניתוח שלנו, אם מודל כזה יוכל בעתיד לבצע חלק מעיבוד השיחה במכשיר מקומי, הוא עשוי לצמצם תלות בשליחת קול לשרתים מרוחקים ולהפחית חלק מעלויות העיבוד בענן. זו אפשרות טכנולוגית, לא חיסכון ש-Block כבר הוכיחה במספרים: צריך להביא בחשבון רכישת חומרה, תחזוקה, עדכונים וחיבור למערכות העסק. גם השארת העיבוד במכשיר אינה מבטיחה שכל המידע יישאר בו, אם המוצר ישלח הזמנות או נתוני לקוחות לשירותים אחרים. ובישראל יש מבחן נוסף לפני כל דיון בהתייעלות: עברית טבעית, מבטאים, ערבוב שפות ושיחה בסביבה רועשת. המקורות שנבדקו אינם מבססים יכולת כזו בעברית. הדגמה מרשימה באנגלית עדיין אינה עובדת קבלה למסעדה בתל אביב.
נשאר גם עניין האמון. קול משכנע אינו מדד לאמינות התשובה, ודווקא מערכת שיודעת להישמע מהססת, עייפה או נרגשת עלולה לגרום למשתמש לייחס לה יותר הבנה מכפי שהוכיחה. לפי ניתוח ההכרזה ב-explainx.ai, טרם פורסמו פרטים מספקים על הארכיטקטורה, היקף נתוני האימון ובדיקות עצמאיות, והחברה מבקשת מחוקרי בטיחות לאתר סיכונים שלא צפתה. זה השלב שבו ההתלהבות צריכה להפוך לשאלות מדידות: האם המודל מבין נכון, מתי הוא טועה, ואיך הוא מתנהג כשקוטעים אותו או מבקשים משהו שאינו יודע. הקול כבר מושך תשומת לב. עכשיו תור ההוכחות לדבר.
