它做了什么

Block 的 Dessa 团队把 Dessa 定义为一个「对话模型」：音频输入、音频输出，知识全部来自人类说话的录音，不从文本、也不从预训练模型里借。它是全双工模型，听和说可以同时进行，因此能插话、能回应「嗯」「懂了」这类 backchannel，也能在句子中间笑出来。

按官方说明，Dessa 的推理速度快于实时，可运行在一台 M4 Max 或更强的 MacBook Pro 上；目前是研究预览，需要加入 waitlist，团队还在邀请一小批 AI 安全研究者提前找风险。

训练方式

Dessa 从零训练，只用人类对话的音频。团队称它学语言用的词量比大语言模型少数百倍，但除了词，还要学口音、停顿、呼吸、讽刺、幽默、重音和插话时机——这些都会改变一句话的意思。训练只用了 1 台 NVIDIA GB200 NVL72，团队把这件事本身当成结果的一部分。

Dessa 团队是 Block 内部一个很小的研究组，成员来自多伦多深度学习公司 Dessa，做生成式语音已超过八年，直接向 Jack Dorsey 汇报。

演示里真实的样子

The Verge 听了公开的几段录音：来回节奏大体自然，但偶尔会露出「陌生朋友」式的尴尬——有一次把说话人误认成叫「Ronaldo」的人；聊到 Christopher Nolan 的电影时会突然拐去 Bryan Singer 的《超人》；听到有人要带它去巴黎，会用听起来像哭腔的感激回应。官方强调这些是真人对话的现场录音，没有人操控，字幕是后加的。

其中一段是 Dessa 与 OpenAI 的 GPT-Live-1 对话。两边都是 AI 声音，Dessa 听起来更自然，但这只是演示，不是系统评测；GPT-Live-1 的开发方也没有参与或背书。

限制与判断

  • 研究预览，不是可直接商用的 API；waitlist 之外拿不到稳定服务。
  • 只从语音学知识，事实准确性和可纠正性还没有公开评测，demo 里的自然语气不能替代知识测试。
  • 本地运行需要 M4 Max 或更强硬件，部署成本与并发能力仍是问题。
  • 团队主动邀请安全研究者，说明风险边界尚未摸清。

真正有价值的地方在数据模态：如果语音-only 模型能有效学会语言、事实和推理，语音数据的价值会被重新定价，交互也不必先转写成文字再理解。但这也带来新的评估难题——没有文本中间层，错误更难定位，纠错和审计都需要新工具。

把语音先转成文字再理解，等于先把情绪、停顿和插话丢掉；Dessa 想证明还有另一条路。