Block 发 Dessa：不喂文本的实时语音模型，能在笔记本本地跑

10 月 23 日，Block 内部的 Team Dessa 发布 Dessa——一个语音进、语音出的全双工对话模型：从零开始在只有人类对话录音的数据上训练，不使用文本语料，也没有拿现成的预训练模型起步。团队称这是第一个能在完全没有文字的训练数据下进行实时对话的模型；成员来自多伦多的深度学习初创公司 Dessa，团队直接向 Block 联合创始人 Jack Dorsey 汇报。

关键在于它把「说话」当成原生能力，而不是先转文字再合成。模型在单台 NVIDIA GB200 NVL72 上完成训练，推理速度快于实时，并且能在 MacBook Pro M4 Max 或更高配置的机器上本地运行。官方演示里，它会在对方说到一半时插话、用「yeah」「got it」附和、听到好笑的内容在句子中间笑出来、被要求大声就抬高音量——团队称最后一种行为没有被专门教过。官方还称，它学会语言所用的词量比大语言模型少数百倍。

目前仍是研究预览：对外只开放 waitlist，并向少量 AI 安全研究者提供早期访问，官方没有公布任何基准分数，也没有放出权重或代码。页面列出的后续问题是这类「语音原生」模型在语言与事实习得、新语种学习、上下文学习上的效率。不确定性同样明确：能听出情绪、能随时插话的语音模型天然涉及身份仿冒与信任问题，而这一层目前只有「安全」这一条动机说明，没有可核的评测。

原文链接：Block 官方页面