Enver KOÇAK
Yapay zekâ dünyasında ses tabanlı teknolojiler hızla gelişirken, Block şirketi bu alana yepisyeni bir soluk getirecek olan araştırmasını paylaştı. Block araştırma laboratuvarı tarafından geliştirilen Dessa, tamamen insan konuşmalarıyla eğitilmiş ilk tam çift yönlü ses modeli olarak dikkat çekiyor. Yirmi üç Ekim tarihinde bir araştırma önizlemesi olarak duyurulan bu sistem, geleneksel ses asistanlarının aksine tamamen saf ses verisi üzerine kuruldu. Günümüzdeki birçok sesli asistanın arkasında metin odaklı altyapılar yer alırken, bu model tasarım aşamasında metni tamamen dışarıda bırakıyor.
Sadece İnsan Sesinden Öğrenen Farklı Bir Mimari
Pek çok ses sistemi bugüne kadar üç temel aşamadan oluşuyordu. Önce konuşma tanınır, ardından bir metin modeline aktarılır ve son olarak ses sentezi yapılırdı. Block ekibi bu geleneksel zincirin duygu, alay, kahkaha ve iç çekiş gibi doğal insan unsurlarını yok ettiğini savunuyor. Doğrudan ses girdisi alıp ses çıktısı üreten bir yapı kuran şirket, sistemin insan konuşmalarından beslenmesini sağladı. Tam çift yönlü yapısı sayesinde model, karşısındaki insan konuşurken aynı anda dinlemeye devam edebiliyor. Böylece ne zaman araya girmesi gerektiğini veya kahkaha gibi tepkileri nasıl vereceğini doğal bir şekilde öğrenebiliyor.
Paylaşılan ilk gösterim videolarında modelin cümle ortasında kahkaha atabildiği ve seslenildiğinde ses tonunu yükseltebildiği açıkça görülüyor. Eğitim sürecinde hiçbir metin veya önceden eğitilmiş model kullanılmadığı belirtiliyor. Bu durum, modelin dil yapısını devasa büyük dil modellerine kıyasla çok daha az veriyle öğrenebildiğini gösteriyor. Konuşma verisinin metne kıyasla çok daha fazla bayt kaplaması ve asla tam olarak aynı şekilde tekrarlanmaması, bu eğitimi oldukça zorlu kılan etkenler arasında bulunuyor. Tüm bu süreç NVIDIA Blackwell mimarili yongalardan oluşan tek bir sunucu rafı üzerinde gerçekleştirildi.
Donanım Gereksinimleri ve Yerel Çalışma Yeteneği
Bu yeni nesil ses modelinin en dikkat çekici teknik özelliklerinden biri de donanım tarafında sunduğu esneklik. Sistem, uygun donanıma sahip bir dizüstü bilgisayar üzerinde yerel olarak çalışabiliyor. Şirketin aktardığı bilgilere göre model, Apple silikon işlemcili bir MacBook Pro M4 Max veya daha güçlü bir sistemde gerçek zamanlı çalışmadan bile daha hızlı performans gösterebiliyor. Bu durum, devasa bulut sunucularına bağımlı kalmadan sesli yapay zekâ uygulamaları geliştirmek isteyenler için büyük bir avantaj sunuyor. Buna karşılık, Kyutai tarafından geliştirilen açık kaynaklı rakip model Moshi, binin üzerinde H100 grafik işlemcisi gerektiren devasa bir altyapıya ihtiyaç duyuyor ve işe metin tabanlı bir dil modeli omurgasından başlıyor.
Henüz modelin ağırlıkları, kaynak kodu, akademik makalesi veya resmi API fiyatlandırması kamuoyuyla paylaşılmış değil. Yayınlanan herhangi bir performans kıyaslama skoru da bulunmuyor. Şu an için sistem yalnızca bir araştırma önizlemesi aşamasında ve erişim için bir bekleme listesi sistemi uygulanıyor. Şirketlerin sesli yapay zekâ yarışında metin katmanını tamamen ortadan kaldırma girişimi, gelecekteki insan-makine etkileşimlerinin doğasını kökten değiştirebilecek potansiyele sahip. Sektördeki bu tür alternatif yaklaşımlar, özellikle ses tonundaki duygusal zenginliğin yapay zekâya aktarılması konusunda yeni kapılar aralıyor.
Kaynaklar
- Block Unveils Dessa, a Full-Duplex Speech Model Trained Only on Speech (marktechpost.com)
- unite.ai
Bu yazı, yukarıdaki kaynaklardan yapay zekâ yardımıyla Türkçe olarak derlenmiş bir özettir. Ayrıntılar ve resmi bilgi için kaynaklara başvurun.
