2026-10-26

Block เปิดตัว Dessa AI เสียงที่ไม่แปลงเสียงคุณเป็นตัวหนังสือ ต่างจากผู้ช่วยเสียงที่คุณใช้อยู่ยังไง

#ข่าว AI#AI เสียง#Block#Dessa

ถ้าคุณเคยลองคุยกับ ChatGPT หรือผู้ช่วยตัวอื่นด้วยเสียง คุณอาจรู้สึกว่ามันตอบได้ แต่จังหวะไม่ค่อยใช่ มันรอให้คุณพูดจบสนิทก่อนค่อยตอบ พูดแทรกแล้วมันงง หรือคุณพูดด้วยน้ำเสียงเหนื่อย ๆ แต่มันตอบกลับด้วยความสดใสเท่าเดิม สัปดาห์นี้ Block บริษัทของ Jack Dorsey ซึ่งเป็นเจ้าของ Square ระบบรับชำระเงินที่ร้านค้าเล็ก ๆ จำนวนมากใช้ เปิดตัว model เสียงชื่อ Dessa ที่พยายามแก้ปัญหานี้จากต้นทาง

ข้อมูลในบทความนี้มาจากรายงานของ TechCrunch วันที่ 24 ตุลาคม 2026 เขียนโดย Ivan Mehta และ The Verge วันที่ 23 ตุลาคม 2026 เขียนโดย Jay Peters ซึ่งอ้างคำพูดจากบล็อกและเว็บไซต์ของทีม Dessa ส่วนที่เป็นความเห็นของเราเอง เราจะบอกไว้ชัด ๆ

ผู้ช่วยเสียงที่คุณใช้อยู่ ทำงานยังไง

ก่อนจะเข้าใจว่า Dessa ต่างตรงไหน ต้องเห็นก่อนว่าผู้ช่วยเสียงทั่วไปทำงานยังไง

ลองนึกถึงการโทรสั่งอาหารผ่านคนกลางสามคน คนแรกฟังคุณแล้วจดลงกระดาษ ส่งกระดาษให้คนที่สองซึ่งเป็นคนคิดคำตอบ คนที่สองเขียนคำตอบลงกระดาษ แล้วส่งให้คนที่สามอ่านออกเสียงกลับมาหาคุณ ทุกอย่างที่คุณพูดไปถึงคนคิดคำตอบได้ เฉพาะส่วนที่จดลงกระดาษได้เท่านั้น

ระบบเสียงจำนวนมากทำงานแบบนี้ เสียงของคุณถูกถอดเป็นข้อความ ข้อความนั้นถูกส่งให้ model ภาษาที่เก่งเรื่องตัวหนังสือคิดคำตอบ แล้วคำตอบที่เป็นข้อความถูกแปลงกลับเป็นเสียงอีกที

ปัญหาอยู่ที่กระดาษแผ่นนั้น ตัวหนังสือเก็บได้ว่าคุณพูดคำว่าอะไร แต่เก็บไม่ได้ว่าคุณพูดด้วยน้ำเสียงแบบไหน เสียงสั่น เสียงหอบ การหยุดคิดนาน ๆ การถอนหายใจ หายไประหว่างทางหมด ทีม Block เขียนไว้ในบล็อกว่าระบบแบบนี้แปลงเสียงคุณเป็นตัวหนังสือแล้วโยนข้อมูลทิ้งไปมหาศาล ซึ่งตัวหนังสืออย่างเดียวพาไปไม่ได้ และ AI ที่เก่งที่สุดในโลกก็ยังฟังไม่ออกว่าคุณรู้สึกยังไง

ฝั่งขาออกก็มีเรื่องคล้ายกัน TechCrunch อธิบายว่า model เสียงหลายตัว เช่น ElevenLabs v4 หรือ Fish Audio Drama 3 ใช้ป้ายกำกับอารมณ์แนบไปกับข้อความ เพื่อบอกว่าประโยคนี้ให้พูดเศร้า ประโยคนั้นให้หัวเราะ อารมณ์จึงเป็นสิ่งที่ถูกสั่งเพิ่มทีหลัง Block บอกว่าระบบที่มีตัวหนังสืออยู่กลางทางแบบนี้ ทำให้เสียงออกมาไม่เป็นธรรมชาติ

Dessa ทำต่างออกไปยังไง

Dessa ตัดขั้นกระดาษออก ทีมเรียกมันว่า model แบบ speech-to-speech ของจริง คือรับเสียงเข้าและส่งเสียงออก โดยไม่ต้องผ่านตัวหนังสือ ทีมบอกว่าทุกอย่างที่มันรู้มาจากเสียงพูดของคน และเทรนด้วยบทสนทนาของคนอย่างเดียวตั้งแต่ศูนย์

ทีมอธิบายเหตุผลด้วยภาพที่เข้าใจง่าย เด็กทารกหัดพูดได้โดยไม่เคยเห็นตัวหนังสือสักตัว ทีมอยากรู้ว่า model ทำแบบนั้นได้ไหม คำตอบของทีมคือทำได้ แค่ยากมาก

อีกคุณสมบัติคือ full-duplex แปลตรง ๆ ว่าสื่อสารได้สองทางพร้อมกัน คือฟังกับพูดได้ในเวลาเดียวกัน แบบเดียวกับที่คนคุยโทรศัพท์กัน คุณพูดแทรก มันได้ยินขณะที่มันกำลังพูดอยู่ ไม่ต้องผลัดกันพูดทีละฝั่งแบบวิทยุสื่อสาร TechCrunch ระบุว่า GPT-Live ที่ OpenAI ออกมาก่อนหน้านี้ในปีนี้ก็เป็นแบบ full-duplex เหมือนกัน

ตัวอย่างที่ทีมปล่อยออกมามีเสียงหัวเราะ การหยุด และเสียงที่ฟังเหมือนร้องไห้ ในตัวอย่างหนึ่ง ระหว่างคุยกัน model บอกว่าเหนื่อยจากงาน แล้วเสียงก็ฟังดูเหนื่อยจริง อีกตัวอย่างคือคนบอกว่าจะพามันไปเที่ยวปารีสแบบเซอร์ไพรส์ เว็บไซต์ของทีมบรรยายว่ามันตอบกลับด้วยน้ำเสียงที่ฟังเหมือนซาบซึ้งจนน้ำตาคลอ ทีมยังปล่อยบทสนทนาระหว่าง Dessa กับ GPT-Live-1 ของ OpenAI ซึ่ง The Verge เขียนว่าฝั่ง Dessa ฟังเป็นธรรมชาติกว่า

ด้านทรัพยากร TechCrunch รายงานว่า Block บอกว่าเทรน Dessa บน NVIDIA GPU แร็กเดียว และทีมบอกว่ามันรันในเครื่องได้ บน MacBook Pro M4 Max หรือเครื่องที่แรงกว่า

จุดที่ยังไม่สมบูรณ์ และสิ่งที่ยังไม่มีใครรู้

The Verge ฟังตัวอย่างแล้วบอกว่าบางช่วงยังอึดอัดและแปลก ๆ ในบทสนทนาหนึ่ง มันทักผู้พูดผิดตั้งแต่ต้นว่าเป็นคนชื่อ Ronaldo อีกบทสนทนาคุยเรื่องหนังของ Christopher Nolan อยู่ดี ๆ มันก็พูดออกนอกเรื่องไปที่หนัง Superman ของผู้กำกับอีกคน

TechCrunch ตั้งข้อสังเกตว่ายังไม่ชัดว่าอารมณ์ในเสียงของ Dessa ถูกกำกับด้วยป้ายบางแบบอยู่เบื้องหลังหรือเปล่า แม้ Block จะบอกว่าอารมณ์ฝังอยู่ในตัว model เอง

อีกเรื่องที่ควรคิดตาม TechCrunch อธิบายว่าโดยทั่วไป model เสียงมักจับคู่กับ model ภาษาตัวใหญ่เพื่อดึงความรู้มาตอบ แต่ Block บอกว่าความรู้ของ Dessa มาจากข้อมูลบทสนทนาที่มันเรียน ข้อสังเกตของเราคือ ถ้าเป็นแบบนั้นจริง จุดแข็งของมันน่าจะอยู่ที่ความเป็นธรรมชาติของการคุย มากกว่าความรู้ลึกแบบที่ model ตัวหนังสือเก่ง ซึ่งต้องรอดูเมื่อมีคนนอกทดสอบจริง

และที่สำคัญที่สุด ตอนนี้ยังไม่มีคนทั่วไปได้ใช้ Dessa ทุกอย่างที่เราเห็นคือตัวอย่างที่ทีมเลือกมาโชว์เอง คำว่า GPT-3 moment ของเสียงพูดที่ทีมใช้โปรโมต ก็เป็นคำอ้างของทีม ยังไม่ใช่ผลทดสอบจากคนนอก

ทำไม Block บอกว่าเป็นเรื่องความปลอดภัย

ทีม Dessa ให้เหตุผลที่ทำ model นี้ไว้สามข้อ คือความอยากรู้ ความเข้าใจที่ดีขึ้นระหว่างคนกับ AI และความปลอดภัย

เรื่องความปลอดภัย ทีมอธิบายว่า AI มีพลังและทำงานเองได้มากขึ้นเรื่อย ๆ แต่ยังแทบหูหนวกต่ออารมณ์ในเสียงของคน ทีมยกภาพว่า ลองนึกว่าคุณเจ็บปวดหนักอยู่ แต่ AI เสียงไม่รู้เลยแล้วก็คุยต่อไปเรื่อย ๆ ทีมมองว่านั่นคือปัญหาด้านความปลอดภัย และ Dessa เป็นก้าวหนึ่งไปสู่การแก้

แต่ความปลอดภัยมีอีกด้าน Block ยังไม่เปิดให้ใช้ทั่วไป และให้นักวิจัยด้านความปลอดภัยของ AI กลุ่มเล็ก ๆ ได้ลองก่อน TechCrunch ประเมินว่าน่าจะเพื่อทดสอบกรณีที่ AI เสียงอาจหลอกคนที่อยู่ปลายสายได้ เสียงที่เหมือนคนจริงจนแยกไม่ออก เป็นเครื่องมือที่ดีสำหรับบริการลูกค้า และเป็นเครื่องมือที่ดีสำหรับมิจฉาชีพด้วย

เรื่องนี้เกี่ยวกับธุรกิจยังไง

TechCrunch ชี้ว่า Block ทำธุรกิจการเงินและขายระบบให้ธุรกิจขนาดเล็ก Square ใช้ AI เสียงรับออร์เดอร์อยู่แล้ว ถ้ามี model เสียงของตัวเองที่รันบนอุปกรณ์ได้ ก็เอาไปใช้กับงานของธุรกิจและผู้บริโภคได้อีกมากด้วยต้นทุนที่ต่ำลง

ข้อสังเกตของเราสำหรับผู้อ่านในไทย ข้อแรก ถ้าคุณกำลังดูระบบรับสายหรือรับออร์เดอร์ด้วย AI ให้ถามผู้ขายว่าระบบทำงานแบบทอด ๆ ผ่านตัวหนังสือ หรือเสียงเข้าเสียงออก เพราะมันกระทบความลื่นไหลของบทสนทนาและการจับอารมณ์ลูกค้าโดยตรง ข้อสอง ตัวอย่างที่เผยแพร่เป็นภาษาอังกฤษทั้งหมด ยังไม่มีข้อมูลว่า Dessa รองรับภาษาไทยหรือไม่ ข้อสาม ถ้าธุรกิจคุณยืนยันตัวตนลูกค้าทางโทรศัพท์ด้วยการฟังเสียงอย่างเดียว ถึงเวลาเพิ่มขั้นยืนยันอื่น เช่น รหัสที่ส่งไปทางข้อความ เพราะเสียงที่เหมือนคนจริงทำได้ง่ายขึ้นเรื่อย ๆ

สรุป

Dessa ไม่ได้น่าสนใจเพราะเสียงเหมือนคน model เสียงหลายตัวก็ทำเสียงเหมือนคนได้แล้ว แต่น่าสนใจเพราะมันลองตัดขั้นแปลงเสียงเป็นตัวหนังสือออก ซึ่งเป็นต้นเหตุที่ผู้ช่วยเสียงทุกวันนี้ฟังอารมณ์คนไม่ออกและจังหวะไม่เป็นธรรมชาติ จะทำได้ดีแค่ไหนนอกตัวอย่างที่ทีมเลือกมา ต้องรอจนมีคนนอกได้ลองจริง

ที่มา