Model Suara AI Block 'Dessa' Terdengar Sangat Manusiawi, Ini Keunggulannya

Perusahaan teknologi keuangan Block, yang didirikan oleh Jack Dorsey, baru saja memperkenalkan sebuah inovasi signifikan di ranah kecerdasan buatan (AI) suara. Model AI terbaru mereka, bernama Dessa, diklaim mampu menghasilkan suara yang sangat mirip manusia, lengkap dengan ekspresi emosional yang natural.

Dikembangkan dari lab riset internal Block, Dessa dirancang untuk beroperasi secara lokal pada perangkat keras, hanya membutuhkan satu rak GPU NVIDIA. Hal ini memungkinkan pemrosesan yang efisien, sekaligus menandai langkah maju dalam AI suara yang mampu memahami nuansa percakapan manusiawi.

Dessa mengusung arsitektur full-duplex, yang memungkinkannya berbicara dan mendengarkan secara simultan, mirip dengan kemampuan model GPT-Live yang dirilis OpenAI awal tahun ini. Keunggulan ini membuat interaksi dengan Dessa terasa lebih fluid dan responsif, layaknya percakapan antarmanusia sesungguhnya.

Berbeda dengan banyak model AI lain yang mengandalkan Model Bahasa Besar (LLM) terpisah, Block menyatakan bahwa basis pengetahuan Dessa berasal langsung dari data percakapan yang digunakannya untuk pelatihan.

Block mengkritisi model-model suara AI yang ada saat ini, yang sering kali terdengar kaku dan tidak alami, salah satunya karena ketergantungan pada pipeline teks dalam menghasilkan ucapan. Banyak model, seperti ElevenLabs v4 atau Fish Audio Drama 3, masih menggunakan *voice tags* untuk memicu emosi dalam suara yang dihasilkan. Menurut Block, Dessa didesain dengan emosi yang sudah terintegrasi dalam arsitektur modelnya, meskipun rincian bagaimana emosi ini dikendalikan belum sepenuhnya transparan.

Perusahaan dalam unggahan blognya menyatakan, "Berinteraksi dengan AI suara saat ini sering kali sangat buruk. Ini mengubah suara Anda menjadi teks dan membuang informasi berharga yang tidak dapat dibawa oleh teks saja. AI paling canggih di dunia pun tidak bisa mendengar bagaimana perasaan Anda. Kami menganggap itu konyol, mengarah pada pengalaman yang lebih buruk, dan berpotensi berbahaya."