Block、人間の音声のみで学習したAI音声モデルを公開

BlockのDessaは、感情を表現する音声AIの試みが定着しなかった後に登場した。Hume AIは2024年3月にEVIを発表し、Kyutaiは2024年9月にMoshiを続けて投入。LAIONのOpen Empathicプロジェクトは2023年後半からオープンソースの音声データセットを使った共感的音声合成に取り組んできた。OpenAIは2025年6月にChatGPTのAdvanced Voice Modeを刷新し、抑揚や間、共感や皮肉のより現実的な表現を改善した。Blockの違いはアーキテクチャにある。Dessaはテキストデータを一切使わず人間の音声のみで学習し、ゼロから構築されているため、音声をテキストに変換せず直接処理する。これにより感情や皮肉、笑い、間をリアルタイムで捉えられ、全二重通信に対応して同時に聞きながら話せる。Blockは好奇心と、より良い人間とAIのコミュニケーションへの願い、そして現在の音声AIが感情の手がかりを無視しているという安全性への懸念からDessaを開発したとしている。感情的に聞こえることと、感情や知性を持つことは別であり、高度な音声AIでは声の自然さよりも応答しながら推論する能力が重要になる。Dessaはまだ一般公開されておらず、BlockはまずAIセキュリティ研究者に依頼して予期しないリスクがないかテストを進めており、登録はフォームで受け付けている。