Локальный голос без суфлёра, спасительный брак и мышь из картошки

Представьте диалог, в котором виртуальный собеседник устало вздыхает, перебивает вас на полуслове, нервно хихикает и меняет темп речи в зависимости от темы. Без раздражающей синтетической паузы перед ответом и без задержек облачного сервера. Исследовательская лаборатория компании Block, созданной Джеком Дорси, показала свою новую разработку — голосовую модель Dessa. В демонстрационных роликах система ведет себя обескураживающе органично: она способна звучать измотанной после тяжелого рабочего дня, срываться почти на плач при обсуждении успокаивающих вещей или на равных резаться в словесные игры с инженерами прямо во время перерыва.

Главный технологический слом Dessa заключается в отказе от самого текста. Классический конвейер современных голосовых ассистентов устроен сложно: звук переводят в буквы через транскрипцию, затем языковая модель генерирует текстовый ответ, а отдельный движок озвучки пытается расставить эмоции с помощью специальных тегов — именно так работают связки уровня ElevenLabs v4 или Fish Audio Drama 3. Разработчики из Block пошли другим путем и обучили модель с нуля исключительно на чистом аудиопотоке живой человеческой речи, вообще без текстовых датасетов.

Представители компании Block объяснили этот шаг предельно прямо: «Взаимодействие с современным голосовым ИИ порой откровенно разочаровывает. Ваш голос превращают в сухой текст, безвозвратно выбрасывая колоссальный объем информации, которую буквы передать просто не способны».

Когда нейросеть слышит живой звук напрямую, ей не нужны суфлеры. Dessa естественным образом считывает сарказм, легкое дрожание голоса, смех, плач и интонационные паузы. Более того, собственная база знаний системы извлекается прямо из массива разговорных аудиоданных, а не подтягивается из внешних тяжеловесных текстовых LLM. Модель работает в полнодуплексном режиме — говорит и слушает пользователя одновременно, аналогично алгоритмам вроде GPT-Live от OpenAI. Ее можно спокойно перебить, не дожидаясь формального завершения реплики.

Локальное железо и независимость от облака

Техническая сторона инференса привлекает внимание креаторов сильнее всего. Для обучения системы инженеры Block использовали всего один серверный узел NVIDIA GB200 NVL72, что по меркам современных вычислительных кластеров выглядит поразительно скромно. Еще практичнее обстоят дела с запуском: Dessa не требует постоянного коннекта с дата-центром и способна работать локально на потребительских компьютерах. В качестве рабочей конфигурации авторы заявляют ноутбуки MacBook Pro с процессором M4 Max или более производительные машины, а также рабочие станции с одним графическим ускорителем NVIDIA.

Для создателей интерактивного контента локальный запуск снимает главную головную боль — зависимость от облачных API, сетевых лагов и поминутной тарификации. Корпоративный интерес Block здесь тоже абсолютно прозрачен. Финтех-гигант развивает экосистему Square и сервис Cash App. Платежная платформа Square уже внедряет голосовой искусственный интеллект для автоматизации приема заказов в точках питания и рознице. Собственная автономная модель позволяет кардинально удешевить эти сценарии: терминалу больше не нужен бесконечный трафик в облако, если алгоритм крутится прямо на кассовом устройстве.

Погоня за эмоционально достоверной речью идет давно, и команда Дорси выходит на хорошо разогретое поле:

• В конце 2023 года коллектив LAION запустил проект Open Emparhic, начав сбор открытых датасетов для обучения эмпатичной синтезированной речи.
• В марте 2024 года стартап Hume AI представил собственный интерфейс EVI (Empathic Voice Interface), ориентированный на считывание эмоциональных нюансов.
• В сентябре 2024 года исследовательская организация Kyutai выпустила модель Moshi, доказав жизнеспособность открытых голосовых дуплексов.
• В июне 2025 года компания OpenAI выкатила масштабный апдейт продвинутого голосового режима Advanced Voice Mode в ChatGPT, полируя естественные паузы и интонационную гибкость.

При этом специалисты справедливо указывают на узкое горлышко: живого звучания мало, модели необходимо параллельно выстраивать сложную логику рассуждений прямо во время генерации ответа. Без глубокого анализа смысловая ценность диалога быстро испарится, даже если собеседник смеется в самых подходящих местах.

Пока Dessa остается за закрытыми дверями. В Block понимают риски: синтез речи, неотличимый от реального человека со всеми его вздохами и заминками, моментально привлечет авторов изощренных мошеннических схем. Сейчас компания принимает заявки через форму на официальном сайте исключительно от исследователей безопасности искусственного интеллекта. Им предстоит протестировать систему на скрытые уязвимости перед открытым релизом.

Для визуального продакшена, моушн-дизайнеров и геймдева этот релиз важен не как замена живому актеру, а как инструмент прототипирования нового порядка. Черновая озвучка аниматиков, интерактивные инсталляции, диалоги неигровых персонажей для инди-игр и быстрые тесты рекламных сцен теперь можно собирать без механического синтеза и мучительной ручной расстановки пауз. Человеческая речь наконец звучит как речь, не покидая пределов рабочего ноутбука.

Мутная взвесь планктона прямо перед линзой объектива, бликующий на заднем плане пластиковый буй и случайный борт рыбацкой лодки. Еще пять лет назад супервайзер монтажа документального блокбастера без колебаний отправил бы такой дубль в корзину. Команда «Синей планеты III» от BBC поступила наоборот: весь этот визуальный мусор остался в чистовой склейке нового сезона.

Причина такого разворота лежит за пределами океанологии. Вокруг стало слишком много идеального видео, собранного генеративными нейросетями. Бесшовные, вылизанные до скрипа генерации приучили зрителя сомневаться во всем, что выглядит чересчур гладко. На фоне всеобщего кризиса доверия к картинке документалисты столкнулись с парадоксом: безупречный кадр теперь воспринимается как синтетический обман.

Брак как доказательство подлинности

В предыдущих сезонах подводные операторы часами караулили штиль и кристальную прозрачность. Любая погодная аномалия под водой автоматически обесценивала часы работы. Как объясняет исполнительный продюсер проекта Элизабет Уайт, раньше «количество планктона и подобных вещей заставило бы нас вырезать кадр, либо мы могли бы убрать лодку или буй, решив, что условия воды недостаточно хороши». Теперь эти огрехи работают главным доказательством реальности происходящего — это органический след подлинной съемки, сделанной живыми людьми в настоящей стихии.

Команда намеренно сохраняет материалы, которые прежде сочли бы техническим браком. При этом содержание съемок ставит в тупик даже искушенных зрителей — авторы зафиксировали поведение фауны, которое сложно сочинить для текстового промпта:

• Дельфины, которые перекрывают подводные щели морскими губками, загоняя рыбу в ловушку.
• Сложные сценарии межвидовой коммуникации между рыбами разных семейств.
• Масштабное шествие 200 000 крабов, которые выстроились в длинную шеренгу ради совместного кормления.

Авторы проекта прямо говорят: поведение обитателей океана оставляет далеко позади фантазию разработчиков и возможности современных генеративных систем. И чтобы зритель поверил в реальность происходящего, кадр обязан дышать случайностями, сбоями света и шероховатой текстурой среды.

Для арт-директоров и специалистов по визуалу здесь заложен мощный ориентир. Эпоха стерильного глянца и машинной симметрии начинает утомлять аудиторию. Слишком чистое изображение считывается как искусственный шум из обучающей выборки. Похоже, главным активом в визуальном сторителлинге снова становятся естественные дефекты, случайные тени и физические ограничения оптики. Нас подкупил этот честный сдвиг: когда безупречность превращается в дешевый стандарт, право на правду возвращают неровности.

Знакомый красный кармашек с желтой дугой теперь лежит под ладонью вместо привычного эргономичного манипулятора. Китайское подразделение McDonald's объединилось с технологическим гигантом Lenovo, чтобы переосмыслить культовую упаковку картофеля фри. Результатом стала лимитированная беспроводная компьютерная мышь, которая балансирует на грани функционального инструмента и откровенного арт-объекта для рабочего стола.

Что внутри красного кармашка

Несмотря на игрушечный силуэт, инженеры Lenovo подошли к начинке вполне серьезно. Мышь получила практичный набор характеристик, достаточный для повседневной офисной и студийной работы:

• Бесшумные кнопки, позволяющие кликать на созвонах без раздражающего стука;
• Аккумулятор емкостью 380 мАч, избавляющий от необходимости искать батарейки стандарта AA;
• Три режима чувствительности сенсора под разные сценарии движения курсора;
• Двойной тип подключения: по Bluetooth и через комплектный радиоканал на частоте 2,4 ГГц.

Отдельного внимания заслуживает аксессуар из коробки. Вместе с манипулятором идет мягкий чехол для переноски, который легким движением трансформируется в портативный коврик для мыши — продуманная деталь для тех, кто привык кочевать между опенспейсом, кафе и домашним сетапом.

Ресайкл из детства

Самое любопытное в проекте скрыто в самом материале корпуса. Более чем на 60% он отлит из вторичного полимера, сырьем для которого послужили старые игрушки из детских наборов «Хэппи Мил». Для фастфуд-гиганта это прямое продолжение большой экологической программы, запущенной еще в 2021 году. Компания целенаправленно собирает отслуживший свое детский пластик и возвращает его в обиход в неожиданных формах.

Нас подкупило, как точно здесь сошлись промышленный дизайн и корпоративная повестка. Вместо унылого отчета об устойчивом развитии и дежурных обещаний бренды выдали рабочий тиражный предмет с безошибочно считываемым ДНК. Форма упаковки жареного картофеля моментально узнается без лишних логотипов, а ирония ситуации — кликать по картошке фри ради отправки правок клиенту — делает этот гаджет желанным объектом для коллекционеров странного мерча.

Кажется, именно так сегодня и должен выглядеть бренд-активизм: немного самоиронии, узнаваемый силуэт и пластик, который больше не пылится на свалках.

Персонаж застывает перед камерой, произносит реплику ровным синтетическим голосом и почти не моргает, а через полторы секунды картинка резко сменяется другим планом. Сервис Grok Imagine выкатил на платформе X пилотный эпизод анимационного проекта Odyssey. По задумке авторов, релиз должен был доказать готовность нейросетей к полноценному кинематографическому повествованию без участия классического 3D-пайплайна.

Картинку собирали не в одиночку. Над дебютной серией работала внушительная связка: сама платформа Grok Imagine выступила заказчиком и технологической базой, студия Wonder Studios взяла на себя визуальное производство, а кресло постановщика занял режиссер Дев Уокер. Команда попыталась упаковать возможности генеративных видеомоделей в связную художественную историю. В конце октября 2026 года премьерная публикация быстро собрала около 1,8 миллиона просмотров, больше 10 тысяч репостов и тысячи отметок «нравится».

Только вот профессиональная аудитория встретила ролик прохладно. Сразу после премьеры в профильных ветках развернулась дискуссия о том, где заканчивается технологическое демо и начинается режиссура. Часть зрителей похвалила масштаб проделанной работы и общую эстетику генераций, но при детальном разборе всплыли привычные болезни синтетического видео.

Главная претензия практиков продакшена коснулась монтажного ритма. Вместо размеренного кинематографического повествования зрители получили структуру рекламного тизера с пулеметной сменой планов. Короткие двухсекундные отрезки сменяют друг друга без пауз — кажется, авторы сознательно избегали длинных кадров, на которых генеративные алгоритмы обычно начинают терять геометрию и расплываться.

Пользователь Eames точно описал впечатление большинства моушн-дизайнеров: «Сделано приемлемо, но есть куда расти: слишком много быстрых склеек, смонтировано как трейлер, сценам не дают подышать, игра лиц базовая без эмоциональной глубины, глаза мертвые, голос стандартный». Другие зрители вроде комментатора Intrepid высказались еще жестче, назвав работу откровенно слабой на фоне того, что показывают конкуренты.

Что внутри пайплайна

Технические ограничения проявились сразу в нескольких элементах:

• Мимика персонажей осталась зажатой: лица сохраняют общее выражение, но микромимика и работа взгляда практически отсутствуют.
• Синтез речи звучит механически и не попадает в эмоциональный накал сцены.
• Клиповый темп не оставляет пространства для динамических пауз, поэтому зрителю трудно сопереживать героям.

Авторы проекта явно предвидели такую реакцию. Представители Grok Imagine объявили, что выпустят подробный технический разбор пайплайна с описанием всего производственного процесса, если увидят достаточный интерес в комментариях. Для тех, кто каждый день собирает коммерческий визуал, это обещание выглядит даже интереснее самого пилота: понять реальные ограничения чужого пайплайна порой полезнее идеального кейса.

Нас в этой премьере зацепил важный урок: сгенерировать убедительную текстуру и кинематографичный свет нейросети уже могут, но удержать сцену на длинном плане без монтажного костыля — пока нет. Режиссура по-прежнему держится на паузах, а их генераторы пока боятся больше всего.

Десятки полигональных лент на голове персонажа упорно напоминают обрубленный картон, пока моделлер вручную не переберет вершины каждой пряди и не сведет их в аккуратный конус. Рутинная зачистка кончиков способна растянуть подготовку волос для игр или пререндера на долгие часы. Трехмерный художник MOTOMODEL решил автоматизировать эту механическую фазу и выкатил для пакета Blender специализированный плагин MT Hair Taper.

Инструмент собран для версий Blender 4.0 и новее. Его фокус предельно точен: придавать мешам прядей опрятное сужение к концам, избавляя прическу от грубых срезов. При этом плагин бережно обращается с силуэтом: исходная длина и траектория изгиба локона остаются нетронутыми, а толщина уходит сугубо по ширине полотна.

Анатомия правильной сетки

Алгоритм опирается на строгую структуру топологии. MT Hair Taper оптимизирован под упорядоченные полигональные сетки (grid-like meshes), где четырехугольники (quad faces) выстроены ровными горизонтальными и вертикальными рядами. Базовое условие работы — возможность без разрывов проследить последовательную цепочку вершин от основания волоса до его кончика.

Плагин рассчитан на два распространенных типа геометрии:

• плоские ленты на базе плоскостей (flat plane meshes), составляющие основу классических hair cards;
• цилиндрические меши, замкнутые по горизонтали, из которых часто собирают стилизованные плотные пряди.

С хаотичной сеткой скрипт фокусов не покажет: топологические ограничения здесь строгие. Инструмент не сработает с геометрией, где преобладают треугольные полигоны, заложено радиальное распределение вершин или нарезаны нерегулярные деления, разрушающие горизонтальный ряд. Зона действия алгоритма локальна: трансформация сужения затронет лишь тот сегмент меша, где сетка непрерывно идет вперед от выбранного ряда вершин.

Инструмент отдают бесплатно: MOTOMODEL выложил дистрибутив на платформе Booth.pm. Нас подкупило, что скрипт не пытается строить из себя универсальный генератор причесок, а точечно снимает одну конкретную ручную операцию прямо в окне вьюпорта.

Пожалуй, именно такие незаметные утилиты берегут рабочее время на сборке персонажки: возня с масштабированием краевых вертексов просто исчезает из пайплайна.