Block 发布语音模型 Dessa：不靠文本直接听音学说话，连呼吸声都会

如果你听过大部分 AI 语音助手的表现，大概都会对那种微妙的「播音腔」感到头疼。哪怕现在的声音生成已经非常平滑，它们骨子里还是在读剧本：先把你说的话转成文字，用大模型想好文字回答，再把字转成声音吐出来。

把声音压扁成文字，很多微妙的语气、停顿和叹气就全丢了。10 月 24 日，Jack Dorsey 创办的 Block 旗下研究实验室发布了一款原生实时语音模型 Dessa。它的路子完全不同：它根本不依赖文本中转，也没有使用任何传统的预训练模型，而是像人类婴儿一样，直接通过听大量的人类对话语音，硬生生学会了说话。

像婴儿一样从声音里学会接话

按照 Block 的说法，现有的语音 AI 体验糟糕，核心原因就在于管线里插了一层文本。文本不仅丢掉了情绪，而且很难做到真正的即时互动。

像 ElevenLabs v4 或 Fish Audio Drama 3 这类语音系统，通常得靠在文本里加语气标签来驱动情绪，而 Dessa 的情绪表现则是原生内生在模型里的。它能边听边说，具备类似 OpenAI GPT-Live 的全双工实时交互能力。你在说话的中途可以随时插话，它不仅能顺畅接上，还会根据语境发出笑声、叹息、哭腔，甚至连呼吸声和轻微的停顿都能捕捉到。

在官方放出的演示片段里，当它聊到工作太累时，嗓音会自然带上疲倦感；在聊到触动情绪的话题时，声音甚至带着快要崩溃的哭腔。它甚至能听出你离麦克风太远，直接提醒你靠近一点才能听清。

更让人意外的是硬件成本。Block 宣称，整个模型只用了一台英伟达 GP200 GPU 机架进行训练，而且它不需要连网跑在云端大集群上，在一台配置了 M4 Max 芯片的 MacBook 等消费级电脑上就能完全本地运行。不过目前 Dessa 还没有向大众开放，只接受 AI 安全研究人员的测试申请，未来是否开源也还是未知数。

为什么重要

我们认为，Dessa 最值得关注的地方在于它彻底打破了「语音到文本，再从文本到语音」的传统架构路径。

对普通用户和开发者来说，本地可跑的原生语音模型如果能够成熟，意味着未来的语音助手不用再忍受高昂的云端 API 延迟和隐私隐患。特别是 Block 旗下拥有 Square 这种重度依赖小微商家点单和客服的业务，一旦低成本本地语音交互铺开，整个前台服务甚至车载语音的交互质感都会翻倍。

但这套做法同样藏着不小的隐患。模型如果完全靠听语音学对话，它的知识边界完全依赖听过的对话录音，缺乏文本大模型那种庞大的事实检索与逻辑推理能力，指望它回答复杂专业知识可能并不现实。此外，声音像真人到了毛骨悚然的地步，连笑声和抽泣都能仿造，电信诈骗和人机欺骗的风险也直线飙升。Block 限制公开访问、先招募安全团队测试，看起来确实是必须先迈过的一道门槛。