Block 发布语音模型 Dessa：官方称只用人类对话从头训练，本地跑在 M4 Max 上
Block 10 月 23 日发布全双工语音模型 Dessa：官方称只用人类对话从零训练、不走文本管线，M4 Max 本地实时运行，先向安全研究者开放。
Jack Dorsey 联合创办的支付公司 Block 在 10 月 23 日发布了语音模型 Dessa。官方称这是一个全双工语音到语音模型：音频进、音频出，从零开始只用人类对话训练，没有文本、没有预训练模型；推理快于实时，一台 M4 Max 或更新的 MacBook Pro 就能本地跑，训练则只用了「一台 NVIDIA GB200 NVL72」。目前没有可下载的权重，也没有 API：官网放着候补名单，早期访问留给一小批 AI 安全研究者。
要点
- 训练路线：官方称只用人类对话从零训练，无文本、无预训练模型；训练硬件是一台 NVIDIA GB200 NVL72。
- 交互形态：全双工，同时听和说，会打断、会附和；官方称原生处理情绪、讽刺、笑声、叹气这类信号。
- 可用性：无开源、无论文、无 API、无定价；候补名单公开，早期访问限一小批 AI 安全研究者。
- 社区反应：Hacker News 讨论帖（提交者 dsr12，标题「Dessa: Conversation Model trained only on speech」）评价两极，有人赞对话真实感，也有人要求开放权重。
背景
做语音助手的主流做法是一条接力管线：语音识别先把声音转成文字，大模型处理文字，语音合成再念出来。我们报道过的两个环节都在这条线上：微软的流式转写模型 MAI-Transcribe-2 管前半段，ElevenLabs 的 v4 Turbo 用约 100 毫秒的合成延迟管后半段。管线的代价是转写丢语气：讽刺、迟疑、哭腔进了文字就没了，系统还得等你说完才开始处理。全双工这个方向此前在视频侧有人走过，Tavus 的 Griffin 做的是边听边看边说的视频对话模型；语音侧，OpenAI 的实时语音模型 GPT-Live-1 是眼下最出名的对手。
Dessa 这个名字有来历。Block 的这个实验室取名自一家同名的多伦多深度学习创业公司，今天这支团队正是那家公司的班底；负责人 Ragavan Thurairatnam 是当年把公司卖掉的创始人，团队直接向 Jack Dorsey 汇报。对 Block 来说，这是它在 AI 上持续下注的又一格，内部的编码智能体 goose 是它另一个公开的 AI 项目。
事实部分
下表收集的是官方页面 block.xyz/dessa 的说法。页面与 The Verge 的报道同日上线（2026 年 10 月 23 日），我们在 10 月 24 日读取。
| 项目 | 官方说法 |
|---|---|
| 训练数据 | 只用人类对话录音，从零训练，「没有文本、没有预训练模型」 |
| 数据效率 | 官方称学会语言所用的词量比 LLM「少数百倍」，并自嘲 LLM 还要学代码 |
| 训练硬件 | 一台 NVIDIA GB200 NVL72 |
| 推理速度 | 快于实时，说话没有等待 |
| 本地运行 | MacBook Pro M4 Max 或更好的机器 |
| 交互 | 全双工语音到语音：同时听和说，会打断、会附和，原生处理情绪与笑声 |
| 可用性 | 官网候补名单；早期访问给「一小批 AI 安全研究者」；无 API、无定价 |
官方把 Dessa 称作「世界第一个只靠人类语音训练、可以真实 live 对话的 AI」。这个「世界第一」是自封的，我们没有找到独立佐证。官网页面放了多段完整录音，主列表六条：聊发布本身、想不起电影名时 Dessa 接上答案、周年纪念的惊喜安排、一段表现力很强的对话、人生建议，以及与 GPT-Live-1 的对话；附加样本里包括它把说话人认成 Ronaldo 的一段，页面注明每段都是无引导的实录、字幕为后期添加。据 The Verge 的描述，官网示例中还有聊诺兰电影聊到《超人》系列、听人讲去巴黎的惊喜行程时给出带哭腔感谢的两段；猜谜游戏那段则是负责人 Thurairatnam 发在 X 上的视频。与 GPT-Live-1 对话的对比 demo 放在官网，「显得更自然」的结论是 Dessa 方面给的；GPT-Live-1 的开发方与 Block 无关、也未做过背书，官网自己注明了这一点。
研究团队列了六名正式成员（Louay Hazami、Hashiam Kadhim、Qi (Alex) Liu、Rayhane Mama、Aydin Polat、Marc Tyndel）外加实习生。负责人 Thurairatnam 在 X 上的发布帖（2026 年 10 月 23 日 16:38 发出）称这是「语音的 GPT-3 时刻」，截至我们 10 月 24 日核对，浏览量已过 100 万。
各方说法
The Verge 的记者听完了 demo，给出的描述是「尴尬而不似真人」（awkward and uncanny）：有一段里 Dessa 把说话人认成了某个叫 Ronaldo 的人。
Hacker News 上，被赞的和被骂的是同一件事。称赞的一方说它「像在跟朋友打电话」，语音真实感「非常好」；批评的一方更具体。IshKebab 认为语音很真，但「智力明显是 2024 年水平」。paxy 不满它「被训练得尽可能多地打断」，人根本说不完一个想法。ajam1507 称之为花架子，模仿的只是「非正式的电话腔」。stanfordkid 追问智力从哪来：只靠语音语料训练，会不会只是「生成听起来合理的糊弄」。freeone3000 判断这种效率优势推不到通用文本 LLM 上。ilaksh 问它是不是基于 Mochi 或 PersonaPlex 改的，没人答得上来。lrvick 的要求最短：「开放权重，否则就是没发生。」
滥用是另一条批评线。多位评论者担心，骗子拿到会叹气、会迟疑的声音之后，针对老年人的「冒充亲人」电话更难识破；也有人认为 AI 陪伴是显而易见的生意，还有人引《Her》作比。这些评价眼下都无法独立验证：模型不开放，所有人（包括 The Verge 的记者）听到的都是官方挑选的录音。
编辑判断
「更自然」是各家语音模型都说过的话，Dessa 可以核对的主张在训练侧：官方称一台 GB200 NVL72 完成了全部训练，学会语言所用的词量比 LLM 少数百倍。如果这两个数字经得起检验，语音对话模型的训练账要重算，「纯语音路线能不能长出智力」这个老问题也会多一个数据点。
眼下没有任何东西可供检验。无论文、无权重、无第三方测试，HN 上有人怀疑 demo 是挑过的，The Verge 的听后感也说明了实际体验与宣传口径的距离。对做语音智能体的人，务实的读法是：把「去文本化」当成一条被大公司正式下注的路线来盯，产品上继续用管线方案，后者至少 API 就能接。等安全研究者的早期访问产出第一份公开报告，或者权重真的放出来，再谈它改变了什么。
怎么试
现在能做的只有两件事：去 block.xyz/dessa 听官方录音、留邮箱进候补名单；符合条件的安全研究者可以通过页面上的表单申请早期访问，表单要求机构邮箱，选填 Google Scholar 或博客链接。没有可下载的模型，也没有 API。
接下来
四件事值得盯：会不会发技术报告或论文；权重会不会开放，这是 HN 上呼声最集中的诉求；早期访问的安全研究者何时产出第一批公开发现；对手怎么接招，比如 GPT-Live-1 背后的 OpenAI 会不会回应「无文本」这条路线。