Block, das Unternehmen hinter Square und Cash App, hat mit Dessa ein neues KI-Sprachmodell vorgestellt, das menschliche Sprache direkt als Audio verarbeitet, anstatt sie zuvor in Text umzuwandeln. Diese Methode ermöglicht es dem Modell, Emotionen, Sarkasmus, Lachen und Sprechpausen in Echtzeit zu erkennen.
Block gibt an, Dessa sei das erste KI-Modell, das ausschließlich auf menschlicher Sprache trainiert wurde, ohne jegliche Textdaten. Es wurde von Grund auf neu entwickelt. Dadurch kann es Sprachnuancen wie Emotionen und Sarkasmus präziser erfassen. Das Modell unterstützt zudem Vollduplex-Kommunikation, was bedeutet, dass es gleichzeitig zuhören und sprechen kann.
Technisch läuft Dessa lokal auf einem MacBook Pro M4 Max und wurde auf einer einzelnen NVIDIA GB200 NVL72 trainiert. Block entwickelte Dessa nach eigenen Angaben aus Neugier, dem Wunsch nach einer besseren Mensch-KI-Kommunikation und aufgrund von Sicherheitsbedenken, da aktuelle Sprach-KIs emotionale Hinweise oft ignorieren.
Das Modell ist derzeit nicht öffentlich verfügbar. Block sucht aktiv nach KI-Sicherheitsforschern, die Dessa auf unerwartete Risiken testen sollen. Interessierte können sich über ein Formular anmelden.
Kontext im Bereich Sprach-KI
Im Bereich der Sprach-KI gab es bereits mehrere Bestrebungen, emotional reichhaltige Stimmen zu entwickeln. So stellte Hume AI im März 2024 die „Empathic Voice Interface“ (EVI) vor, eine Sprach-KI mit „emotionaler Intelligenz“. Kyutai folgte im September 2024 mit Moshi. Das Open Empathic Projekt von LAION arbeitet seit Ende 2023 an der Entwicklung empathischer Sprachsynthesemodelle. Auch OpenAI hat den „Advanced Voice Mode“ von ChatGPT im Juni 2025 überarbeitet und seither weiterentwickelt, um bessere Intonation, Pausen und realistischere Ausdrücke von Empathie und Sarkasmus hinzuzufügen.
Es wird jedoch betont, dass eine emotional klingende Stimme nicht gleichbedeutend mit emotionaler Intelligenz oder gar tatsächlicher Intelligenz ist, selbst wenn dieser Eindruck entsteht. Für fortgeschrittene Sprach-KIs sind Fähigkeiten wie das logische Denken während der Antwort wichtiger als der natürliche Klang der Stimme, da sie die Qualität der Antwort direkt beeinflussen.
Thema: Technologie / KI allgemein. Quelle/Inspiration: The Decoder.