ഓപ്പൺ എഐ, ആന്ത്രോപിക്ക്, ഗൂഗിൾ പോലുള്ള വൻകിട എഐ കമ്പനികളെ ഞെട്ടിച്ചിരിക്കുകയാണ് ട്വിറ്ററിന്റെ സഹസ്ഥാപകൻ ജാക്ക് ഡോർസി. അദ്ദേഹത്തിന്റെ കമ്പനിയായ 'ബ്ലോക്ക്' (Block) ഡെസ്സ എന്ന പേരിൽ ഒരു പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) മോഡൽ അവതരിപ്പിച്ചിരിക്കുകയാണ്. പരമ്പരാഗത എഐ മോഡലുകളിൽനിന്ന് വ്യത്യസ്തമായി, ഈ മോഡലിന് വലിയ ഭാഷാമാതൃകകളെ (LLM) ആശ്രയിക്കാതെ, മനുഷ്യ സംഭാഷണങ്ങൾ കേട്ടു മനസിലാക്കി പ്രവർത്തിക്കാനാവും.

To advertise here,

ചാറ്റ് ജിപിടി പോലുള്ള എഐകൾ ആദ്യം ഉപയോക്താവിന്റെ ശബ്ദത്തെ ടെക്സ്റ്റ് രൂപത്തിലേക്ക് (Text-to-Speech/Speech-to-Text) മാറ്റുകയും അതിനുശേഷം മറുപടി നൽകുകയുമാണ് ചെയ്യുന്നത്. ഈ പ്രക്രിയയിൽ വികാരങ്ങൾ, പരിഹാസം, സംസാരത്തിലെ സ്വാഭാവികമായ ഇടവേളകൾ എന്നിവ പലപ്പോഴും നഷ്ടപ്പെടാറുണ്ട്. എന്നാൽ, ഡെസ്സ നേരിട്ട് ശബ്ദത്തിലൂടെയാണ് സംവദിക്കുന്നത്. അതിനാൽതന്നെ വികാരങ്ങളും ശൈലികളും കൃത്യമായി ഉൾക്കൊള്ളാൻ കഴിയും.

മാക്ക്ബുക്ക് പ്രോ എം4 മാക്സിലോ അതിനേക്കാൾ ശക്തിയേറിയ കംപ്യൂട്ടറിലോ ഇന്റർനെറ്റ് കണക്ഷൻ ഇല്ലാതെതന്നെ ലോക്കൽ ആയി പ്രവർത്തിക്കാനും സ്വാഭാവികമായ റിയൽടൈം സംഭാഷണങ്ങൾ നടത്താനും ഇതിനാവും. ഇതിന്റെ ചില പ്രവർത്തന മാതൃകകൾ കമ്പനി സമൂഹമാധ്യമങ്ങളിലും വെബ്സൈറ്റിലുമായി പങ്കുവെച്ചിട്ടുണ്ട്. സംഭാഷണത്തിനിടെ ചിരിച്ചാൽ അതേറ്റു ചിരിക്കാനും സ്വാഭാവിക ശൈലിയിൽ സംസാരിക്കാനും ഇതിനാവുമെന്ന് വീഡിയോയിൽ കാണാം.

‍ഡെസ്സയ്ക്ക് ഒരേ സമയം കേൾക്കാനും സംസാരിക്കാനും സാധിക്കും

ഇതുവരെ നമ്മൾ പരിചയപ്പെട്ട എഐ ചാറ്റ്ബോട്ടുകൾ, നമ്മൾ സംസാരിച്ച് തീർന്നതിന് ശേഷമാണ് പ്രതികരിക്കുക. എന്നാൽ, ഡെസ്സയ്ക്ക് ഒരേസമയം കേൾക്കാനും സംസാരിക്കാനും സാധിക്കും. ഫുൾ ഡ്യുപ്ലെക്സ് സ്പീച്ച് ടു ടെക്സ്റ്റ് ടെക്നോളജി എന്നാണ് ഇതിനെ വിളിക്കുന്നത്. ഉപയോക്താവ് സംസാരിച്ചു തീരുന്നതുവരെ കാത്തുനിൽക്കാതെ ഇടയിൽ ഇടപെട്ടു സംസാരിക്കാനും "അതെ", "ശരി", 'അങ്ങനയാണോ' എന്നിങ്ങനെയുള്ള മറുപടികൾ നൽകാനും ചിരിക്കാനും ഇതിന് കഴിവുണ്ട്.

ഡെസ്സയ്ക്ക് സംഭാഷണത്തിലെ വൈകാരികതകൾ, ആക്ഷേപഹാസ്യം, ടോണിലെ മാറ്റങ്ങൾ പോലുള്ളവ മനസിലാക്കാനാവുമെന്നാണ് കമ്പനി പറയുന്നത്. സാധാരണ എഐകളിൽ ഇത് സാധിക്കില്ല. NVIDIA GB200 NVL72 സംവിധാനം ഉപയോഗിച്ചാണ് ഇതിനെ പരിശീലിപ്പിച്ചതെന്നും ഡെസ്സയുടെ സ്രഷ്ടാക്കൾ പറയുന്നു.