Block 发布语音模型 Dessa：只听人声对话学会说话

发生了什么

这次发布包括录制好的真人对话演示：演示中，Dessa 在对方说到一半觉得好笑时直接笑出声，被要求大声一点就提高音量，对方一时想不起电影名时替对方把话接完；还有一段 Dessa 与第三方模型 GPT-Live-1 的对话，Block 注明其中双方声音均为 AI 生成、GPT-Live-1 的开发者与 Block 无关联。

训练方式是这次发布的核心：Block 在发布页上写道，Dessa 从零开始、仅用人声对话录音训练，未使用任何文本数据或预训练模型；据公司所知，它是全球首个仅靠听人类对话、就能进行真实 live 对话的 AI。发布页还解释，人类婴儿不看文字也能学会说话，团队想验证模型是否也能只靠听做到。

项目负责人 Ragavan Thurairatnam 在 X 上宣布了这次发布，称其为语音领域的“GPT-3 时刻”；Jack Dorsey 当天也介绍了这款产品。Block 同时上线公开候补名单，并向一小群 AI 安全研究员开放早期访问，请他们找出团队没预料到的风险。

关键事实

全双工：Dessa 边听边说，公司称它从真实对话里学会了何时打断、何时用附和表示在听；它原生听得出情绪、讽刺、笑声、沮丧的叹气和哽咽的声音；推理速度快于实时，回答之间没有尴尬的停顿。

本地运行：在 MacBook Pro M4 Max 或更高配置上即可本地运行，不依赖云端推理。Block 称，训练只用了一台英伟达 GB200 NVL72 系统，且模型学会语言所用的词数比大语言模型少数百倍（均为公司口径）。

开放问题：发布页列出这一路线带来的研究问题——这类模型学语言和事实的效率与文本模型相比如何、学新语言效率如何、能做何种上下文学习。Block 也承认，目前只有录制演示，没有公开可验证的对比基准，实际可靠性与安全性有待安全研究员的早期访问来检验。

背景

Dessa 出自 Block 内部一个很小的 AI 研究实验室，由原多伦多深度学习公司 Dessa 的前成员创立——Ragavan Thurairatnam 曾创办并出售那家公司，还在多伦多大学任教；团队自述做深度学习始于 2012 年、做生成式语音模型超过八年，直接向 Block 联合创始人 Jack Dorsey 汇报。

公司给出三个做它的理由：好奇心、让人与 AI 更好互相理解，以及安全——AI 能力越来越强、自主性越来越高，却听不懂说话人声音里的情绪，比如一个人疼得厉害、语音 AI 却浑然不觉继续往下说；公司认为这是当前语音 AI 把语音先转成文本、丢掉了只有声音才携带的信息所致。