产业 / 媒体
Block发布本地运行语音模型Dessa，情感表达逼真得令人称奇
Block旗下研究实验室发布了一款名为Dessa的全双工语音模型，由杰克·多西的团队基于纯人类语音数据训练而成，仅使用单台NVIDIA GPU机架完成训练。与市面上主流语音AI不同，Dessa无需将语音转换为文本再驱动语音生成，而是直接在语音层面处理情感与语义信息，因此能够自然呈现笑声、停顿、哽咽等人类表达细节。该模型支持全双工通信，即可同时说话与聆听，与OpenAI此前发布的GPT-Live模式类似。Dessa目前可在MacBook M4 Max或更高配置的消费级设备上本地运行，但尚未向公众开放，Block正在征集安全研究人员参与测试，以评估语音代理可能被滥用于欺骗用户的潜在风险。
Block研究实验室于2026年10月23日发布了语音模型Dessa，这是该公司在语音AI领域的首次重大公开亮相。杰克·多西在社交媒体上表示，与Dessa对话的感受如同与真人交谈，充满情感、细腻停顿和自然节奏。该模型完全基于人类语音数据训练，未借助大型语言模型进行知识检索，其知识来源于自身积累的对话数据。
Dessa最核心的技术特点在于其全双工架构，即模型可以同时进行说话与聆听，而非传统的轮流交替模式。Block指出，当前大多数语音AI系统将语音转为文本后再处理，这一过程会丢失大量声音中携带的情感信息，导致交互体验生硬甚至令人不适。Dessa则直接在语音层面建模，将情感能力内嵌于模型本身，而非依赖ElevenLabs或Fish Audio等产品所使用的语音标签来驱动情绪表达。
Block研究人员公开了多段Dessa的对话演示，展示了该模型在不同场景下的表现。在一段对话中，Dessa表示自己因工作感到疲惫，其语音随即呈现出明显的疲倦感；另一段对话中，Dessa在谈及被对方安慰时，声音几近哽咽，情感层次相当丰富。此外，还有一段Block团队成员与Dessa进行猜谜游戏的视频，模型在极短时间内连续猜中答案，展现出较强的实时交互能力。
在硬件门槛方面，Dessa可在MacBook M4 Max或更高配置的消费级计算机上本地运行，这意味着企业和开发者无需依赖云端服务即可部署该模型，有望大幅降低语音AI的使用成本。Block将此次发布定位为语音AI领域的「GPT-3时刻」，认为这标志着真正自然的语音交互时代的开始。
从商业角度来看，Block本身深耕金融科技与小企业服务领域，旗下Square已在餐饮点餐场景中引入语音AI。拥有可本地运行的自研语音模型后，Block有望以更低成本为更多商业和消费场景赋能。不过，Dessa目前尚未对外开放，Block正在向安全研究人员发出邀请，重点测试语音代理在欺骗性场景中的潜在风险，以确保模型在正式推出前具备足够的安全保障。
要点
- Dessa是Block研究实验室推出的全双工语音模型，完全基于人类语音数据训练，无需文本中间层即可实现带情感的自然对话
- 该模型将情感能力内嵌于模型本身，而非依赖语音标签驱动，能够自然呈现笑声、停顿、哽咽等细节
- Dessa可在MacBook M4 Max等消费级设备上本地运行，有望显著降低企业部署语音AI的成本
- 目前Dessa尚未公开发布，Block正征集安全研究人员测试语音代理的潜在欺骗风险
- Block旗下Square已在点餐场景使用语音AI，自研模型将进一步扩展其商业与消费场景覆盖范围
原始标题：Block’s new voice model sounds eerily human
本文由 DataHub 基于公开来源整理，用于信息发现与摘要阅读；具体事实、数据和后续更新以原始来源为准。