Block发布Dessa：没用一个字的文本，训练出能听懂哽咽的全双工语音模型

过去十年，所有语音助手都在走同一条路：把你说的话转成文字，交给大语言模型思考，再把答案合成为语音。10月23日，Jack Dorsey 旗下的 Block 公司发布了 Dessa——一个彻底绕开这条路的模型。它从头到尾只用人类对话音频训练，没见过一个 written word，也没有任何预训练模型打底，却能与真人实时对话：会笑出声、会停顿、会压低声音，甚至聊到动情处带上近乎哽咽的语气。Block 的研发负责人 Ragavan Thurairatnam 把它称作「语音的 GPT-3 时刻」。

Dessa 是全双工模型：音频进、音频出，说话的同时可以听，能像真人一样插话、接住对方忘词的半句话。对比之下，主流语音链路先转文字再合成，语气、迟疑、讽刺这些「文字装不下」的信息在第一步就被丢掉了。ElevenLabs v4、Fish Audio Drama 3 这类产品靠语音标签控制情绪，而 Block 声称 Dessa 的情绪表达是原生内建的——训练数据里的对话本身携带着这一切。官方放出的演示里，它被要求大声点时会真的提高音量，甚至还和 OpenAI 的语音模型 GPT-Live-1 完成了一段双机对话。

一次机架训练，一台笔记本推理

两个数字最能说明这套架构的取舍。训练侧，Dessa 只用了一台 NVIDIA GB200 NVL72 机架——在动辄数万卡的文本模型集群面前，这个规模小得反常，Block 称这得益于语音数据的密度：模型从「比同规模文本模型少几百倍的词」里学会了语言。推理侧，它能在 M4 Max 及以上的 MacBook Pro 上本地实时运行，速度还快于实时——对比 OpenAI 把全双工语音模型按每分钟 5 美分放进 API，本地推理等于把电表换成了一台机器。这对 Block 不是技术炫耀：旗下 Square 已经在向餐馆卖 AI 语音点单，音频不出商户设备、没有按分钟计费的账单，这门生意的单位经济模型完全不同了。

但天花板同样写在设计里。Dessa 的全部知识都来自对话语料——它不能搜索、不能调用工具、不能读文档，Block 自己的演示里最惊艳的一段，恰恰是它和 GPT-Live-1 对话：语音原生模型出「人声」，另一个模型出「知识」。诚实的描述是：Dessa 目前是一个声音，不是一个助手。Block 也没有公开参数量、权重和任何标准评测，目前只向 AI 安全研究者开放小规模内测，重点测试语音智能体欺骗人类的风险场景。

语音智能体是GEO的下一个入口

对关注生成式引擎优化的人来说，Dessa 这类模型指向一个新问题：当查询入口从文本框变成对话，品牌要如何「被说出」？语音智能体没有网页可以展示，答案要么来自模型内部学到的对话语料，要么来自检索层的转述。前者意味着被广泛讨论、被自然带入口语的品牌描述，本身就是一种语料资产；后者则回到 GEO 的基本功——像Deepgram这样的语音AI平台把接口能力写成机器可读文档，让引擎在检索时拿到干净的事实。语音答案没有「十个蓝色链接」，说出来的那一句话就是全部曝光，被转述准确与否的利害比文字时代更大。

落回产品侧，语音链路的分工正在重新划线：知识层归文本大模型，表达层归语音原生模型，中间的接口如何设计，决定了下一代语音产品的成本与拟真度。国内同样有团队在押注这条分工线——米可智能这类AI语音平台把音色克隆、语音合成、多语种转换拆成独立可组合的能力块，开发者按需调用，不必从头训练一个「会说话的模型」。Dessa 还在 waitlist 阶段、连参数都未公开，现在断言「语音的 GPT-3 时刻」已到为时尚早，但方向已经清楚了：语音 AI 的下一步，是把文字这一中间层彻底拿掉。

（文 / AI30媒体部 ｜ 最后更新：2026年10月25日）