Block的Dessa语音AI模型

如今被称为“语音AI”的大多数产品——如ChatGPT的语音模式、Gemini Live、Sesame的Maya——本质上是披着语音外衣的基于文本的语言模型：音频输入后被转换为文本，由基于文本的模型进行推理，再由独立的文本到语音层为输出加上声音。而Block于2026年10月23日发布的模型Dessa则完全跳过了这一流程。它从零开始仅使用原始音频进行训练，没有文本转录，也没有底层的预训练语言模型^[1]，并且支持全双工——可以同时听和说，就像真实对话中那样自然重叠，而非严格轮流发言。

Block对此的解释近乎哲学：婴儿在学会阅读之前很久就能通过倾听学会说话，团队想验证模型是否也能以同样的方式学习^[2]。显然它可以，且使用的训练数据量比传统基于文本的LLM少“数百倍”^[2]。项目负责人Ragavan Thurairatnam将这一成果称为“语音领域的GPT3时刻”^[3]——而其计算成本也印证了这一雄心，却无需通常的高昂代价：Dessa仅在一个NVIDIA GB200 NVL72机架上训练完成^[4]，最终模型可在MacBook Pro M4 Max上本地运行，且速度快于实时^[5]。据外界分析，最接近的先前研究是Kyutai的Moshi，一款开源权重的全双工语音模型，核心约70亿参数，但Moshi和Sesame的CSM在某些环节仍依赖文本，而Dessa则完全不依赖^[6]。

正是让Dessa听起来如此逼真的架构，也使其无法融入行业在过去两年构建的调用工具、代理式AI体系。由于Dessa内部从不将语音转为文本^[1]，它没有可用于附加系统提示的token流，没有可用于检索的文本嵌入，也没有明显的接口可在对话中调用API、日历或MCP工具。基于文本的助手可以被指示、基于知识库进行推理或接入工作流；而Dessa目前更像是一种会话乐器，而非可被指挥的会话代理。

这一权衡正是外界观察者指出的实质性局限，而非注脚：一个从不处理文本的AI无法像企业目前所期望的那样被引导，而Block团队能否在不重新引入其刻意避免的文本流程的前提下重新添加任务跟随能力，仍是未知数。这也引发了一个发布材料未提及的更深层问题：一个仅从对话音频中学习语言、从未接触过教科书、百科条目或代码行的模型，显然无法像文本训练模型那样学习事实或获取新信息——这一差距被外部分析师指出尚未解决，而非已攻克^[6]。

Block发布的片段确实令人震惊——充满了重叠的语音、笑声、犹豫和那种让基于文本的助手听起来机械的语调。Dorsey本人将这些对话描述为“充满情感、细微差别、停顿和自然的节奏”^[7]。但这些展示真实感的演示录音同时也暴露了其缺陷：在一次对话中，Dessa误将人类对话者认作名为‘Ronaldo’的人；在一次猜谜游戏中，它在被告知已获胜后仍继续猜测^[8]。The Verge的Jay Peters在评测这些片段时，尽管认可模型的真实感，仍称其对话“略显尴尬和诡异”^[7]。

这种对语音质感的惊叹与对对话内容的怀疑，也体现在网络上的反应中。最响亮的赞誉将Dessa视为全双工、无文本语音模型已跨越可信度门槛的证明，此前尚无助手达到此水平；而更持怀疑态度的观点，尤其来自构建或关注竞争性语音产品的人士，则认为精选的高光片段不等于模型在非精选演示之外的表现。两种反应可能同时成立，而Block选择发布演示录音而非开放基准测试或权重，意味着外界目前无法判断哪种观点更接近真相。

Block打造了它所展示的真实感，也是首个指出这种真实感具有两面性的公司。该公司已承认，与真人无法区分的语音为诈骗者通过电话冒充他人身份创造了新途径^[9]。批评者言辞更直接：电影制片人Justine Bateman质问为何AI语音需要听起来像人类，认为这种真实感的设计目的就是‘让你骗人放松警惕’^[9]；记者Shiv Aroor警告称，如此逼真的对话AI将使电话诈骗数量达到他所谓的‘大流行级别’^[9]。

Block目前的应对方式是限制模型的发布而非广泛分发：不进行公开发布，而是将早期访问权专门授予AI安全研究人员，并明确要求他们探测公司团队可能未预料到的风险，包括Dessa能否识别用户是否处于困境而不仅仅是继续聊天^[1]。这比大多数高调模型发布的推出方式更为谨慎，但也意味着关于诈骗风险的讨论在公众层面展开，仅凭演示片段，远在任何外部小规模安全研究团队之外的人能亲自测试实际故障模式之前。