Block 发布 Dessa：只用人类对话语音从零训练的全双工语音模型，可在 MacBook Pro M4 Max 本地实时运行

核心背景与行业痛点

现在主流语音 AI 大多是「语音转文字 → 大模型 → 文字转语音」的串联管线，或在文本大模型上嫁接语音能力。语气、停顿、情绪、讽刺这些信息在转成文字时就丢了，回应也常常要等用户说完才开始，听起来生硬、迟缓。Block 认为这不只是体验问题，也是安全问题：越来越强的 AI 听不出用户声音里的痛苦或焦虑。

架构亮点与底层机制

Dessa 由 Block 内部一个很小的 AI 研究团队打造，成员来自多伦多深度学习创业公司 Dessa，直接向 Jack Dorsey 汇报。官方说明它是真正的语音进、语音出模型，所有知识都来自人类对话录音，训练中没有文本，也没有使用任何预训练模型。它是全双工的：同时听和说，从真实对话里学会了什么时候插话、什么时候附和，推理速度快于实时。官方称整个训练只用了一套 NVIDIA GB200 NVL72，学会语言所需的词量比 LLM 少数百倍。

权威 Benchmark 与实测跑分对比

官方没有公布任何标准跑分，也没有第三方评测。发布页提供的是多段真人与 Dessa 的实时对话录音（字幕后加），展示它在对方说到好笑处会中途笑出来、帮人想起电影名、对惊喜作出带哭腔的回应等；另有一段与 GPT-Live-1 对话的演示，官方注明对方开发者与 Block 无关联、未审阅或背书。能力评价目前只能基于这些官方样例。

开发者实战落地与开箱指南

目前还不能直接用：没有公开 API、权重或下载。官方表示会在 X 上继续放出更多录音，并邀请 AI 安全研究者申请早期访问（联系方式见官方页面）。对做语音 Agent 的团队来说，值得关注的是两点：一是「纯语音训练、端侧本地运行」路线能否在延迟和情绪理解上压过串联管线；二是这类模型的安全评估方法，Block 明确把它当作新的风险领域，希望外部研究者先来找问题。