Block 发布开源取向语音模型 Dessa：全双工、可本地运行，声音里带情绪
语音 AI 一直存在一个结构性缺陷：大多数语音模型把用户的声音先转成文本，再由文本驱动语音输出，中间这一层会丢掉大量语用信息。Block 研究团队在官方博客中把这一点描述得很直接——现有语音交互体验糟糕的原因之一，是你的声音被转成文字，而“文字承载不了那么多信息”，结果就是世界上最强的 AI 也听不出你的情绪。
Block 的判断是：语音是人与智能交互最自然的通道，因此不应该让文本横在中间。
核心变化
一个端到端的全双工语音模型
Dessa 是一个全双工（full-duplex）语音到语音模型：它可以同时“说”和“听”，就像 OpenAI 今年早些时候发布的 GPT-Live。Block 称这是首个完全基于人类语音训练、且可让用户进行真实对话的 AI 模型。
与传统“语音模型 + 大语言模型负责知识检索”的组合不同，Dessa 的知识来源直接是其自身积累的对话数据。
训练与部署门槛
训练方面，Block 称只用了单块 NVIDIA GPU 即可完成训练。部署方面，它可以在消费级电脑上本地运行，例如 MacBook M4 Max 或更高配置的机型。
情绪是模型内置的，不是外挂标签
Block 认为，许多现有模型听起来机械、烦人，原因在于管线里有文本在驱动语音生成；像 ElevenLabs v4 或 Fish Audio Drama 3 这类模型，是靠 voice tag 来引导情绪的。Block 声称 Dessa 的情绪是“内建”的，而不是由某种标签外部操控——但目前尚不清楚这种情绪具体如何被引导。
研究团队公开了多段对话示例，可以看到智能体使用不同的音色、语速节奏和情绪。例如在其中一个片段里，机器人表示自己因为工作感到疲惫，语气听起来也确实是疲惫的。
官方定位：“语音领域的 GPT-3 时刻”
Jack Dorsey 的表述最为直接：
我们打造了第一个可以让你进行真实对话、完全在语音上训练的 AI 模型。Dessa 是全双工语音到语音模型，可以在消费级 GPU 上运行。这是语音领域的 GPT3 时刻。
另一段官方引语则解释了设计意图：
我们相信语音是人与智能交互最自然的方式，因此创造了 Dessa——有史以来最真实的全双工语音模型。和它交谈就像和一个人说话……充满情绪、细微差别、停顿，以及自然的节奏。
演示案例
Block 团队成员展示了与 Dessa 进行猜谜游戏的片段，模型第一次就猜中，第二次也没花多久。另有一段对话中，机器人谈及让它感到安心的人和事，语气带情绪、几乎要“破防”。
影响与建议
当前可用性有限。 Dessa 目前没有对外开放，Block 的做法是向安全研究者发出测试邀请，重点考察语音智能体能否在电话另一端骗过真实用户。这说明现阶段发布的主要目的是安全评估，而不是产品上线。
对金融业务的实际价值更值得关注。 Block 主营金融并向小企业销售解决方案，Square 已经用语音 AI 处理订单。拥有一款能在端侧运行的自研语音模型，可以支撑更多企业与消费场景，同时把成本压得更低。对做呼叫中心、订单受理、陪伴类应用的技术团队来说，本地全双工语音是一个值得跟踪的方向。
给技术选型者的三点建议：
- 关注可运行性而非演示效果。 单 GPU 训练、消费级 GPU 推理是这套方案最有价值的部分，如果后续开放权重和完整部署链路，对中小团队的门槛会明显下降。
- 评估“文本中间层”的影响。 如果你的业务依赖语音传递情绪状态（客服安抚、健康陪伴、复杂咨询），传统 ASR → LLM → TTS 架构会持续损失信息，值得测试端到端语音模型的实际收益。
- 安全评估要前置。 语音克隆与拟真情感一旦低成本可用，诈骗与冒充风险会同步放大，任何接入语音代理的场景都应把“是否可能骗过电话另一端的人”纳入上线检查项。
评论