Dessa Voice Model: ما حقيقة الذكاء الاصطناعي الصوتي فقط من Block، وأين يندرج ضمن وكيل صوتي

يُعد «نموذج Dessa الصوتي» شيئًا معقولًا للبحث عنه، لكنه صعب العثور عليه، لأن Block لم تُطلق واحدًا. ما أعلنته الشركة في 23 أكتوبر 2026 هو معاينة بحثية لـ Dessa، وهو نموذج كلام إلى كلام بازدواج كامل دُرّب من الصفر على محادثات بشرية — بلا مدونة نصية، وبلا نموذج لغوي مُدرَّب مسبقًا، صوت يدخل وصوت يخرج دون أي شيء في المنتصف. لا توجد واجهة برمجة تطبيقات، ولا سعر، ولا ملف أوزان، ولا معيار تقييم، ولا عدد معاملات. وهناك أيضًا تضارب في التسمية يجدر توضيحه أولًا: تظهر المغنية Dessa في نتائج البحث نفسها، واسم النموذج مأخوذ من شركة ناشئة لأبحاث الكلام في تورونتو استحوذت عليها Block في 2020، ويقود فريقها السابق الآن هذا المشروع تحت إدارة Ragavan Thurairatnam، الذي يرفع تقاريره إلى Jack Dorsey.

ما هو الشيء بالتحديد

Dessa نموذج كلام إلى كلام من الطرف إلى الطرف. تتحدث، فيسمعك بينما هو يتحدث، ويجيب بالصوت. لا توجد خطوة نسخ، ولا دور نصي، ولا مرحلة تركيب منفصلة. تقول Block إن النموذج دُرِّب بالكامل على محادثات بشرية مسجلة، دون بيانات نصية ودون نقاط تحقق مدربة مسبقًا، وإن التدريب جرى على رف واحد NVIDIA GB200 NVL72 — 72 وحدة GPU من Blackwell في رف واحد، وهو ادعاء لافت بشأن كفاءة البيانات في مجال تُدرَّب فيه نماذج النصوص المتقدمة على عشرات الآلاف من المسرّعات.

يوجد إلى جانبه ادعاءان إضافيان. تقول Block إن الاستدلال يعمل أسرع من الوقت الفعلي على MacBook Pro M4 Max «أو أفضل» — إذ يحمل طراز M4 Max الأعلى 128 غيغابايت من الذاكرة الموحدة، لذا فإن نموذجًا يتسع له بارتياح ليس ضخمًا بالمعايير الحالية. هذا استنتاج من ادعاء، وليس إفصاحًا: فلا تكميم ولا حجم بصمة ذاكرة ولا رقم رموز في الثانية يرافقه.

ما نشرته Block ليس سوى أكثر من اثني عشر تسجيلًا لمحادثات ومجموعة من الصفات. وقد استمعت The Verge إلى المقاطع نفسها، ووصفت المحادثات بأنها "محرجة بعض الشيء وغريبة"، وأشارت إلى أحدها حيث ينادي النموذج شريك محادثته باسم "Ronaldo". وفي المقاطع التي اختارتها Block، تضحك Dessa في منتصف جملتها، وترفع صوتها عندما يُطلب منها ذلك، وتُكمل عنوان فيلم نسيه المتحدث، وتلهث مندهشة عند الكشف عن ذكرى سنوية.

لماذا عبارة «نموذج الصوت» صحيحة وعبارة «تحويل النص إلى كلام» غير صحيحة

التمييز أهم من العلامة التجارية. نموذج تحويل النص إلى كلام يأخذ سلسلة نصية ويعيد صوتًا: ليس لديه أي فكرة عما قيل سابقًا، ولا يمكن مقاطعته، ولا يمكنه المقاطعة. أما نموذج المحادثة الأصلي صوتيًا فيأخذ الصوت ويعيد صوتًا، وكل ما يجعله يبدو كطرف مشارك — التوقيت، والتداخل، والتعليقات الخلفية، ونصف الثانية التي كنت فيها على وشك الكلام ثم غيّرت رأيك — يعيش في الجزء الذي لا يملكه نموذج TTS.

الازدواج الكامل هو الاسم التقني لترتيب المكالمة الهاتفية. يستمع النموذج بينما يتحدث، لذا يمكن قطعه في منتصف الجملة ثم يستعيد مساره، ويمكنه أن يقاطع أثناء حديثك. كل مساعد صوتي يعمل بجهاز لاسلكي استخدمته له حدّ مسموع عند كل دور: ينتظر الصمت، ويقرر أنك انتهيت، وينسخ الكلام، ويفكر، ويُركّب الصوت، ويشغّله. وتتعلم أن تنتظر صفير الإشارة. أما النموذج ثنائي الاتجاه فيتعلم من اللحظة التي كدت تتحدث فيها.

هذه خاصية تفاعل، لا خاصية ذكاء. فقد يكون لدى النموذج تبادل أدوار في الحديث بلا عيب ولا يكون لديه ما يقوله، أو تكون لديه إجابة رائعة تُقدَّم بتوقيت آلة فاكس. ما تثبته مقاطع العرض التوضيحي هو أن Block بنى شيئًا يتصرف كأنه مشارك. وما لا تستطيع إثباته هو مدى تكرار تصرفه بهذه الطريقة عندما لا يكون أحد يختار المقطع.

أين سيكون موقعه ضمن مكدس تقني تشغّله بالفعل

وكيل الصوت العملي الذي تشغّله معظم الفرق اليوم هو سلسلة: التعرّف على الكلام، ثم نموذج لغوي، ثم تخليق الكلام. كل قفزة تضيف زمن استجابة، وكل مورّد يمثّل عقدًا مستقلًا، والنص المكتوب في المنتصف هو المكان الذي تموت فيه المشاعر والتردّد والمقاطعة.

حساب الكمون يوضح لماذا تستحق النماذج ثنائية الاتجاه المتابعة. في السلسلة، ينتظر أول رد مسموع انتهاء المُعرِّف، وإنتاج النموذج اللغوي لجملة كاملة، وعرض المُركِّب لها. يمكن للنموذج ثنائي الاتجاه أن يبدأ رد فعل مسموع قبل أن يقرر ما سيقوله — فـ"مم" عند 200 ميلي ثانية تُعد خطوة محادثة معقولة، والخطوة المحادثة المعقولة هي الغاية من التصميم كله.

ما تمنحك إياه السلسلة في المقابل هو كل ما تفتقر إليه النماذج الصوتية فقط: استدعاء الأدوات، والمخرجات المهيكلة، والاسترجاع من مستنداتك، وواجهة أصلية إلى JSON. وتقرّ Block بالأسئلة المفتوحة على صفحتها الخاصة — مدى كفاءة تعلّم نموذج صوتي فقط للحقائق واللغات مقارنةً بنموذج نصي، وما إذا كان التعلّم داخل السياق يظل قائمًا دون تدريب مسبق نصي. ليست هذه حواشٍ؛ إنها الفرق بين وكيل محادثة جذاب ومساعد عام الأغراض.

المعمارية القابلة للدفاع في المنتصف هي طبقة أصلية للنطق مقترنة بشيء قادر على قراءة جدول البيانات الخاص بك. هذه حجة لم يطرحها Block بعد، ولا تكشف المعاينة الحالية عن أي واجهة يمكن أن يحدث الاقتران عبرها.

ما المفقود، مذكورًا بوضوح

إن غياب هذه التفاصيل مكتمل على نحو غير معتاد بالنسبة لإعلان بهذا الوضوح، لذا يجدر تدوينها: عدد المعاملات، وطول السياق، وحجم مجموعة البيانات أو ساعات الصوت، ومدة التدريب، وزمن الاستجابة بالمللي ثانية، ونتائج الاختبارات المعيارية، والرخصة، والسعر، والأوزان، ووثائق API. الوصول متاح كوصول مبكر لمجموعة صغيرة من باحثي سلامة الذكاء الاصطناعي الذين يتقدمون ببريد إلكتروني مؤسسي، إضافة إلى قائمة انتظار عامة مع روابط إطلاق يُوصف بأنها ستتوفر قريبًا.

الأرقام الناقصة ليست على قدر واحد من الأهمية. فالسعر أو ملف الأوزان يخبرك بمن يمكنه استخدامه. أما API أو SDK فهما الفرق بين نموذج وورقة بحثية. ورقم زمن الاستجابة بالمللي ثانية هو الشيء الوحيد الذي لا يستطيع مقطع فيديو أن ينقله بنيويًا، وبالنسبة لنموذج ثنائي الاتجاه فإن التوقيت هو المنتج نفسه. أما المعيار التقييمي فهو الأقل إلحاحًا بين الأربعة، لأنه لا يوجد معيار للتداخل الحواري يثق به أحد.

كيف تقيّم نموذجًا صوتيًا لحالة الاستخدام الخاصة بك

إذا كنت تنتظر الوصول — أو تقيّم نموذجًا كلاميًا أصيلًا آخر تم إطلاقه بالفعل — فهذه هي القياسات التي تحدد ما إذا كان يصلح للإنتاج. لا يُنشر أي منها لـ Dessa اليوم، ولهذا يستحق الاحتفاظ بالقائمة.

• مجموعة محادثات محجوزة مع مطالبات منشورة، وليست مقتطفات مختارة. إن فريقًا يسجّل محادثات كثيرة وينشر أفضلها قد أخبرك بأن محادثات جيدة موجودة؛ لكن هذا ليس الادعاء نفسه بالاعتمادية.

• زمن استجابة من طرف إلى طرف، بما في ذلك الوقت حتى أول تفاعل مسموع، وليس فقط «أسرع من الزمن الحقيقي».

• استعادة بعد الانقطاع — مدى تكرار فقدان النموذج لخيط الموضوع بعد قطعه، ومدى سرعة عودته إليه.

• الوضوح في وجود الضوضاء، وهو أول ما تفشل فيه أنظمة الكلام عادةً، وهو ما تصمت عنه كل العروض التوضيحية.

• الاحتفاظ بالمعلومات الواقعية، إذ إن ذلك هو المقايضة الصريحة المترتبة على إسقاط النصوص من التدريب.

ماذا أفعل اليوم

بالنسبة لأي شيء يجب أن يعمل في الربع القادم، فإن المكدس لا يزال هو: متعرّف الكلام، ونموذج لغوي، ومُركّب صوتي، ويمكن بالفعل تجميع هذا المكدس عبر نقطة نهاية واحدة: يوجّه OrcaRouter أكثر من 200 نموذج عبر مفتاح واحد بسعر قائمة المزوّد دون أي هامش ربح 0%، مع تجاوز تلقائي للفشل بين المزوّدين، ولغة DSL للتوجيه يمكنها تركيب عدة نماذج في استدعاء واحد، ودمج النماذج عندما تريد لجنة من النماذج تجيب معًا. هذا لا يحوّل جهاز اتصال لاسلكي إلى مكالمة هاتفية. إنه يزيل تكاملًا واحدًا من السلسلة بينما تنضج نماذج الاتصال ثنائي الاتجاه.

للتوضيح صراحةً بشأن ما هو غير متاح: Dessa ليس ضمن كتالوج OrcaRouter، ولا شيء هنا يُعدّ عرضًا لتقديمه. وعندما تُطلق Block واجهة برمجة تطبيقات، فإن طبقة التوجيه هي المكان الذي يستحق فيه نموذج كهذا أن تُقارَن به على أساس السعر لكل دقيقة محادثة بدلًا من السعر لكل رمز — وهو مقياس لا وجود له حاليًا على أي بطاقة أسعار، وهو المقياس الذي سيُشترى على أساسه هذا الصنف في نهاية المطاف.

الملخص الصادق

Dessa نتيجة بحثية حقيقية بصفحة عرض تجريبي جيدة على نحو غير معتاد، من فريق لديه ثماني سنوات من العمل في مجال الصوت خلفه، وقد أُطلقت كمعاينة وليس كمنتج. والادعاء المثير للاهتمام ليس أن المحادثات تبدو بشرية — فالمقاطع المختارة تبدو كذلك دائمًا. بل إن نموذجًا يمكنه تعلّم المحادثة من الصوت وحده على رفّ واحد، وأن الاتصال ثنائي الاتجاه الكامل يُعامل كترتيب افتراضي وليس كميزة.

إذا صمد ذلك أمام مجموعة محجوزة للاختبار، فإنه يغيّر المكوّنات التي يُبنى منها وكيل الصوت. وحتى ذلك الحين، فالتسمية الصحيحة هي ما هو عليه: ليس نموذج صوت يمكنك استدعاؤه، بل إشارة واضحة إلى أين يتجه المكدس التقني.

ملاحظة حول المصادر: كل ادعاء يخص Dessa في هذا المقال — إعلان 23 أكتوبر 2026، والتدريب على الكلام فقط، ورف GB200 NVL72 الواحد، وادعاء MacBook Pro M4 Max، ومسار الوصول إلى المعاينة البحثية، والأرقام الغائبة، واستحواذ 2020، وصيغة التحفظ «بحسب ما نعلم» — يأتي من إعلان Block نفسه وبيانات الشركة العلنية، التي اطُّلعت عليها في 26 أكتوبر 2026، ولم يُتحقق منها بشكل مستقل. أما وصف «المحرج والغريب» وتفصيل «رونالدو» فهما لـ The Verge، من تغطيتها للمقاطع نفسها. ومعايير التقييم الخمسة وحجة زمن الاستجابة هما لنا. ووصف OrcaRouter للتوجيه والتسعير والتبديل عند الفشل هو سلوك منتجنا المنشور.