AREX Feed Article
Block CEO Jack Dorsey 宣布全双工语音模型 Dessa：称只用人类对话从零训练、能在 MacBook Pro 上本地运行
北京时间 10 月 24 日凌晨 2 时 23 分（UTC 时间 23 日 18 时 23 分），Block CEO Jack Dorsey 在 X 上宣布语音模型 Dessa：「我们认为，语音是与智能交互最自然的方式，所以我们创造了 Dessa——迄今构建的最真实的全双工语音模型（the most authentic full-duplex speech model ever built）。和它交谈的感觉，就像和真人交谈……充满情绪、细微差别、停顿与自然的节奏。」链接到产品页 。Dorsey 的账号约有 1,253 万粉丝；截至发稿核实，这条帖子已获得约 2.2 万个赞、1,816 次转发和约 278 万次浏览。
产品页的署名方是 Block 内部一个自称「（非常）小」的 AI 研究实验室，它给出的信息比帖文更具体：Dessa 是 speech-to-speech（语音进、语音出）模型，全双工（full-duplex，即能同时听和说）；团队称它的全部知识都来自人类语音——没有文字、没有预训练模型，纯粹靠听真人对话从零训练出来，推理快于实时，可在 MacBook Pro M4 Max 或更高配置上本地运行。这些能力描述均出自团队单方口径，目前没有独立测试可以核验；页面上也没有公开下载方式或上线时间。
Dessa 产品页上的画面，字幕中 Human 为说话人标签（图片来源：block.xyz/dessa）
只靠听人说话、不用一个字：团队的训练口径
页面在「What is this?!」一节把机制写得直白：音频进、音频出；因为全双工，Dessa 边听边说，知道什么时候插话、什么时候用「yeah!」「got it!」「ooh」这样的应和声表示「我在听」。团队称它能原生听懂并说出情绪、讽刺、笑声、沮丧的叹气和难过时发颤的声音——而这些信息一旦像常见语音助手那样先转成文字，就全部丢掉了。
训练方式是这份发布里不同寻常的部分。页面称 Dessa 从零开始训练，「只有声音！没有文字，没有预训练模型」，并给出留有余地的说法：「据我们所知，Dessa 是第一个你可以与之真实实时对话、且只用人声训练出来的 AI。」对照写得很具体：大语言模型（LLM）需要海量文本，Dessa 用少数百倍的词量学会了语言——页面自己也补了一句，说句公道话，LLM 毕竟还要学 C++ 和「管他什么 Angular」。难处同样写明：同一个词的语音数据比文本大数千倍；语音从不重复，同一句话说两遍，数据仍然不一样。
算力上，团队称想清楚了如何「只用一套 NVIDIA GB200 NVL72」完成训练。官宣帖发出约 20 分钟后，有用户在回复里问「能不能本地运行」，。至于这类纯语音模型能走多远，页面留下一串研究员式的问题：比起文本，它们学语言和事实的效率如何？学新语言的效率如何？能做哪类上下文学习（in-context learning）？
官方演示：会抢话、会笑出声，也会认错人
产品页放了六段演示录音，说明写道：每一段都是真人与 Dessa 对话的实时录音，「没有人引导它」——说什么、何时说、怎么说，包括它自己的声音与个性，都由模型自己决定，字幕是事后加上的。在其中一段里，Dessa 在句子中间就笑出声，「像人一样」，而其他模型要等你讲完才「按提示」笑；让它大点声，它就提高音量。另一段里对方想不起一部电影的名字，Dessa 接完了那句话——页面称，考虑到它知道的每一条事实都来自原始声音，它懂得「多得惊人」。第三段是「周年惊喜」：页面描述 Dessa 压着嗓子倒吸一口气说了句「oh my god」，再用「听起来像含泪的感激」来回应。剩下两段，页面分别形容为「语调与语速变化巨大」和「听起来有真诚的共情」；最后一段是与 OpenAI 语音模型 GPT-Live-1（页面同时称之为 ChatGPT Live）的对话录音。
在官宣帖发出约一小时后报道了 Dessa，标题把它形容为「像个尴尬的新朋友」。它举例说，模型与说话人的对话来回大体自然，但 Dessa 一度把对方错认成名叫「Ronaldo」的人；聊克里斯托弗·诺兰的电影时，它突然岔到布莱恩·辛格的《超人》系列；在那段惊喜录音里，对方说要带它去巴黎旅行。The Verge 听完 Dessa 与 GPT-Live-1 对话的那段录音后写道，Dessa「显得更自然」。
一个向 Dorsey 直接汇报的小实验室
页面自述，Dessa 团队是「Block 内部一个（非常）小的 AI 研究实验室」，由多伦多深度学习创业公司 Dessa 的前成员创立，从 2012 年起构建深度学习模型、做生成式语音模型超过八年，「追逐别人忽视的前沿问题」，并直接向「Block 联合创始人、董事长兼 Block Head Jack Dorsey」汇报。牵头人 Ragavan Thurairatnam 在页面署名「Dessa lead」，自己「为 @jack 运营一个新 AI 实验室」「曾是 Dessa 创始人，卖掉了它」「自 2012 年做深度学习」。页面还列出 6 名研究员、3 名实习生和 2 名前实习生，联系方式是一个邮箱。
这段历史也解释了名字的由来：2019 年，同名的多伦多创业公司 Dessa 曾制作主持人 Joe Rogan 的「超逼真」深度伪造（deepfake）视频，；。
发布顺序也看得出分工。北京时间 24 日 0 时 38 分，Thurairatnam ：「我们做出了第一个你可以与之真实对话、完全用语音训练的 AI 模型！Dessa 是一个能在消费级 GPU（图形处理器）上运行的全双工 speech-to-speech 模型。这是语音的 GPT-3 时刻。」1 时 59 分，他介绍模型并向安全研究员发出邀请；24 分钟后，Dorsey 的官宣帖才出现，紧跟着：「这是件大事（但也真的真的很小……小到能在你的 MacBook 上运行）。我为 Dessa 团队推进前沿感到无比自豪！」
反应：有人赞叹，有人觉得「令人不安」
回复区里，赞叹和质疑都很具体。（其 X 简介为「@vercel CEO」）回帖：「这太棒了。」（其 X 简介写明在 Google AI Studio 负责产品与设计）写道：「能在本地 Mac 上运行这个，会非常了不起。Wow。」
是：「为什么大家都觉得人人都想要『自然』『真实』的语音模型？我想要一个直奔主题、别老插话和停顿的。」 写道：「恭喜拿下这个技术成就，但这些样例听着令人深深不安——甚至不是传统意义上的恐怖谷，而是它与真人语音难以区分。」
还不能下载：安全研究员先拿到「早期访问」
产品页没有提供下载，也没有 API（应用程序接口）入口；页面上给出的联系方式是一个邮箱，外加一封邀请：团队先给「一小群 AI 安全研究员」早期访问权限，「找出我们没想到的风险」。页面署名处写着理由：「一个只靠声音学会说话的模型是全新领域，我们希望有外部视角。」团队解释做这件事的三个原因是「好奇（也就是好玩）、人与 AI 之间更好的理解、安全」，安全场景写得很具体：想象你正处在剧烈疼痛中，语音 AI 却毫无察觉，继续往下说——「这就是安全问题。」
Thurairatnam 在 2 时 51 分还，是实验室实习生与 Dessa 玩猜谜游戏，他称 Dessa「纯靠音频发展出世界知识，并学会了推理」——这同样是团队自己的说法。第一批上手 Dessa 的将是那群安全研究员；普通用户何时能用上、以什么形式开放，产品页和 Dorsey 的帖文都没有给出答案。