Block stellt Sprachmodell Dessa vor, trainiert nur mit menschlichen Gesprächen

Worum es geht

Block, die von Jack Dorsey geführte Firma, hat ein KI-Modell namens Dessa vorgestellt. Es ist ein Sprachmodell, das direkt Sprache aufnimmt und Sprache ausgibt. Laut Block wurde es „von Grund auf nur mit menschlicher Konversation“ trainiert. Zur Vorstellung veröffentlichte das Team Beispielgespräche, die laut The Verge teils ziemlich natürlich, teils etwas unbeholfen und leicht unheimlich wirken. Die Leitung des Projekts liegt laut The Verge bei Ragavan Thurairatnam.

Was Dessa sein soll

Das Team nennt Dessa ein „echtes Speech-to-Speech-Modell“: Alles, was es weiß, stamme aus menschlicher Sprache. Üblicherweise wandeln Sprachassistenten Gesprochenes erst in Text um, lassen ein Textmodell antworten und wandeln das Ergebnis zurück in Sprache. Das Team kritisiert genau das: Solche Systeme würden Gesagtes zu Text „einebnen“ und könnten mit dem menschlichen Timing nicht mithalten. Dessa soll nach Herstellerangaben auf einem MacBook Pro M4 Max „oder besser“ lokal laufen können. Zu Parameterzahl, Trainingsdaten oder Lizenz nennen die vorliegenden Quellen nichts.

Die Demos

Thurairatnam teilte ein Gespräch, das überwiegend natürlich hin und her geht, in dem das Modell den Sprecher aber zunächst mit einer Person namens „Ronaldo“ verwechselt. Ein Video zeigt Dessa bei einem Ratespiel per Sprache. Auf der Website finden sich weitere Beispiele: - ein Gespräch über Christopher Nolans Filme, bei dem Dessa unerwartet auf Bryan Singers Superman-Filme abschweift, - eine Person, die Dessa von einer Überraschungsreise nach Paris erzählt, worauf das Modell laut Website „mit etwas antwortet, das wie tränenreiche Dankbarkeit klingt“, - ein Dialog zwischen OpenAIs Sprachmodell GPT-Live-1 und Dessa, in dem Dessa natürlicher wirken soll (Einschätzung der Website bzw. des Teams, nicht unabhängig geprüft).

Begründung des Teams

Das Team nennt drei Gründe: Neugier (also Spaß), besseres Verständnis zwischen Mensch und KI sowie Sicherheit. Es argumentiert, Babys lernten sprechen, ohne je ein geschriebenes Wort zu sehen; man wollte testen, ob ein Modell das auch kann – „es ist nur sehr schwer“. Sprache sei die natürlichste Schnittstelle zu jeder Intelligenz. Außerdem gewinne KI an Macht und Unabhängigkeit, sei aber gegenüber Emotionen in unserer Stimme nahezu taub. Als Beispiel: Jemand hat starke Schmerzen, und die Sprach-KI merkt es nicht. Dessa sei ein Schritt, dieses Sicherheitsproblem zu lösen.

Zugang

Eine kleine Gruppe von KI-Sicherheitsforschern soll frühen Zugang erhalten. Ob und wann es einen öffentlichen Zugang oder Gewichte zum Download gibt, geht aus den Quellen nicht hervor.

Einordnung

Der Ansatz, ein Modell ohne Umweg über Text direkt auf Sprache zu trainieren, ist interessant, weil Tonfall, Emotion und Timing erhalten bleiben können. Belastbare Messwerte oder Benchmarks gibt es bislang nicht, nur ausgewählte Demos, die der Hersteller selbst präsentiert. Die Aussage, Dessa wirke natürlicher als GPT-Live-1, stammt aus der Eigendarstellung. Offen bleiben Größe, Daten, Verfügbarkeit und wie gut Emotionserkennung tatsächlich funktioniert. Für Laien heißt das: eine spannende Demo, aber noch kein Produkt zum Ausprobieren.