トップ ＞ テクノロジー

Blockが音声だけで学習した全二重音声AI「Dessa」を発表

内容

Dessaとは

米Block（旧Square）は現地時間10月23日、全二重音声モデル「Dessa」を研究プレビューとして公表しました。音声を受け取って音声で返すspeech-to-speech型のモデルです。ドーシー氏は、声こそ知性とやり取りする最も自然な手段だという考えから開発したと説明し、感情や間、自然なリズムを備えていると紹介しています。

「全二重」で会話はどう変わるのか

全二重とは、相手の話を聞いている最中にも同時に話せる方式のことです。実際の会話から学んだことで、話に割って入るタイミングや「うん」「なるほど」といった相づちの打ち方を身に付けたとしています。応答の処理はリアルタイムより速く、返事を待たされることはないといいます。

公開されたデモ音声では、面白い話には相手が話している途中でも笑い、「もっと大きな声で」と頼まれると声を大きくし、相手が思い出せない映画の題名を補って話を続ける様子が収められています。Blockは、ほかのモデルは相手の発言が終わってから笑うと違いを強調しています。

音声だけで学習したとは

テキストも、事前に学習済みのモデルも使わず、人の会話音声だけを使ってゼロから学習させたという意味です。同社は、知る限り音声のみで学習して現実的な会話ができる世界初のAIだとしています。LLMに比べて数百分の1の単語量で言語を身に付けたとされ、学習にはNVIDIAの「GB200 NVL72」1台のみを使ったといいます。

Blockによれば、多くの音声AIは利用者の声をいったん文字に起こすため、文字では伝わらない多くの情報が失われています。Dessaは皮肉や笑い、いら立ちのため息、悲しみで震える声などを直接聞き取り、表現することもできるとしています。同社は、AIが声の感情を読み取れないことは安全面の課題でもあると位置付けています。

デモには、OpenAIが7月に出した全二重音声モデル「GPT-Live-1」と会話する例もあります。GPT-Liveは検索や高度な推論が要る場面で別のモデルに処理を任せる仕組みですが、Dessaは知識をすべて音声だけから得たと説明しています。なお、OpenAIはDessaをレビューも支持もしていないと注記されています。

いつ、どう使えるのか

M4 Max以上を搭載したMacBook Proでローカル実行できるとされています。利用開始のためのリンクは近く公開される予定ですが、一般提供の時期は現時点で明らかになっていません。まずは少数のAI安全性研究者に早期アクセスを提供し、想定外のリスクを洗い出してもらうとしています。デモは英語のみで、対応言語は明らかになっていません。

開発を担ったのは、カナダの深層学習スタートアップDessaの元メンバーが立ち上げたBlock社内の小規模な研究ラボで、ドーシー氏の直轄組織とされています。

注目ポイント

文字を介さず声だけで言語を身に付けたという学習方法の意外さと、大規模な設備を使わずノートPCで動くという身近さが関心を集めています。一方で、人間らしさが増すほど悪用への懸念も生じ、詐欺の監視に携わる人が警戒しているとの報道もあります。日本語への対応や一般提供の時期、安全性検証の結果が今後の焦点です。

参考記事

• ジャック・ドーシー氏率いるBlock、音声だけで学習した全二重音声モデル「Dessa」発表 「人と話しているよう」ITmedia　2026年10月26日 11:12

ランキング登場履歴

この記事の内容に誤りを見つけた方は 情報の誤りを報告 からお知らせください。