AI宝库

AI宝库首页 › AI 资讯 › Block 发布 Dessa,一个只用演讲训练的全双倍语音模型

Block 发布 Dessa,一个只用演讲训练的全双倍语音模型

来源:MarkTechPost · 发布时间:10-29 · 由 AI宝库每小时自动聚合

Block的人工智能实验室发布 Dessa,一个只接受人类对话音频培训的全复式语音对语音模型。 它以MacBook Pro M4 Max为本地运行,但Block

Block的AI研究实验室有发布 Dessa,一个只接受过人类对话训练的全复式演讲模型。 Block 宣布于2026年10月23日作为研究预览。 德萨(德語:Dessa)是来自布洛克的语音对语音模型,同时收听并对话。 Block 称它没有使用文字,也没有预先训练过的模型。 这与今天大多数语音agents后面的文本第一堆不同。

TL; DR 数据

- 运行在:一个MacBook Pro M4 Max或者更好,本地,比实时快。

- 表现:目前为止,只有民主。 现场录音显示回声道,中场取笑和自然中断。

- 最佳:在1个NVIDIA GB200 NVL72架(72 GPU)上被训练。 莫希使用了1,016 H100 GPU.

- 最糟糕的是:0 公布的基准测试分数。 没有重量,纸张,API或价格。

布洛克的德萨是什么?

德萨是一个真正的语音对语音模型:音频输入,音频输出。 根据Block的项目页面,它知道的一切来自人类的演讲。

它充满了分歧,所以它一边听一边说话。 封锁称它从真正的谈话中学到了什么时候切入。 它还学会了何时以“是”或“得到”等短提示回流。

Block的演示片段显示Dessa笑了一半,与OpenAI的GPT-Live-1交谈。 屏蔽称没有人驾驶任何剪辑。

唯言之训如何能行?

大多数语音系统链3部分:语音识别,一种文本模型,再进行语音合成。 Block团队认为,链子会丢掉情感,讽刺,取笑和叹息。 德萨直接听到和发出这些信号。

Block尚未发布该架构。 以下是它披露的情况:

- 培训数据:只有人的对话音频。 没有文本和预训模型。

- 计算:1NVIDIA GB200 NVL72,连接了72个布莱克威尔GPU和36个GraceCPU.

- 数据效率:Block 称 Dessa从比LLMs需要少上百倍的词学语言。

- 推论:比实时更快,在MacBook Pro M4 Max上或者更好。

实验室也解释了为什么这很难。 讲话从不重复一个口语词比同个字在文本中要多上千倍。

京泰的"莫希",最出名的开放全方位模型,走另一条路线。 莫希从文本语言模型主干开始,在音频符号之前预测出时间相通的文本符号。 其型号卡列出了700万小时的预训音频和1,016个H100GPU.

德萨与莫希,PersonaPlex和GPT-Live-1的对比如何?.

关键外卖

- 德萨是全方位的语音对语音的,只接受人类对话的音频培训。

- Block在1GB200 NVL72架上训练;Moshi使用了1,016 H100s.

- 它在当地运行在MacBook Pro M4 Max,比实时快。

- Block发布0基准测试,没有参数数和重量。

- 访问是一个等待名单。

看看德萨计划页面与莫希纸,PersonaPlex模型卡和GPT-Live-1多克相提并论。 并加入我们的通讯。 等等,你在电报里吗?现在你也可以加入我们的电报。

需要和我们合作推广您的 GitHub Repo OR Hugging Face Page OR Product Release OR Webinar等吗?联系我们

米哈尔·萨特(Michal Sutter)是一名数据科学专业人员,拥有帕多瓦大学的数据科学硕士。 在统计分析、机器学习和数据工程的坚实基础上,Michal出色地将复杂的数据集转化为可操作的见解。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(marktechpost.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态