Block 釋出語音模型 Dessa：不靠文本直接聽音學說話，連呼吸聲都會

如果你聽過大部分 AI 語音助手的表現，大概都會對那種微妙的「播音腔」感到頭疼。哪怕現在的聲音生成已經非常平滑，它們骨子裡還是在讀劇本：先把你說的話轉成文字，用大模型想好文字回答，再把字轉成聲音吐出來。

把聲音壓扁成文字，很多微妙的語氣、停頓和嘆氣就全丟了。10 月 24 日，Jack Dorsey 創辦的 Block 旗下研究實驗室釋出了一款原生即時語音模型 Dessa。它的路子完全不同：它根本不依賴文本中轉，也沒有使用任何傳統的預訓練模型，而是像人類嬰兒一樣，直接通過聽大量的人類對話語音，硬生生學會了說話。

像嬰兒一樣從聲音裡學會接話

按照 Block 的說法，現有的語音 AI 體驗糟糕，核心原因就在於管線裡插了一層文本。文本不僅丟掉了情緒，而且很難做到真正的即時互動。

像 ElevenLabs v4 或 Fish Audio Drama 3 這類語音系統，通常得靠在文本里加語氣標籤來驅動情緒，而 Dessa 的情緒表現則是原生內生在模型裡的。它能邊聽邊說，具備類似 OpenAI GPT-Live 的全雙工即時互動能力。你在說話的中途可以隨時插話，它不僅能順暢接上，還會根據語境發出笑聲、嘆息、哭腔，甚至連呼吸聲和輕微的停頓都能捕捉到。

在官方放出的演示片段裡，當它聊到工作太累時，嗓音會自然帶上疲倦感；在聊到觸動情緒的話題時，聲音甚至帶著快要崩潰的哭腔。它甚至能聽出你離麥克風太遠，直接提醒你靠近一點才能聽清。

更讓人意外的是硬體成本。Block 宣稱，整個模型只用了一臺輝達 GP200 GPU 機架進行訓練，而且它不需要連網跑在雲端大叢集上，在一臺配置了 M4 Max 晶片的 MacBook 等消費級電腦上就能完全本地執行。不過目前 Dessa 還沒有向大眾開放，只接受 AI 安全研究人員的測試申請，未來是否開源也還是未知數。

為什麼重要

我們認為，Dessa 最值得關注的地方在於它徹底打破了「語音到文本，再從文本到語音」的傳統架構路徑。

對普通使用者和開發者來說，本地可跑的原生語音模型如果能夠成熟，意味著未來的語音助手不用再忍受高昂的雲端 API 延遲和隱私隱患。特別是 Block 旗下擁有 Square 這種重度依賴小微商家點單和客服的業務，一旦低成本本地語音互動鋪開，整個前臺服務甚至車載語音的互動質感都會翻倍。

但這套做法同樣藏著不小的隱患。模型如果完全靠聽語音學對話，它的知識邊界完全依賴聽過的對話錄音，缺乏文本大模型那種龐大的事實檢索與邏輯推理能力，指望它回答複雜專業知識可能並不現實。此外，聲音像真人到了毛骨悚然的地步，連笑聲和抽泣都能仿造，電信詐騙和人機欺騙的風險也直線飆升。Block 限制公開訪問、先招募安全團隊測試，看起來確實是必須先邁過的一道門檻。