发生了什么
10 月 23 日，杰克·多尔西旗下的 Block 公布 Dessa。它属于语音到语音模型：音频进、音频出，中间不经过文本，也没有预训练语言模型作为底座。团队称这是首个只用人类说话声音、从零训练出来的实时对话模型，训练只用了单台 NVIDIA GB200 NVL72 机柜。
- 能力主张：全双工，一边听一边说，会打断、会用「嗯」「知道了」这类短反馈接话，笑声、叹气、哽咽属原生输出而非标签触发
- 工程口径：推理快于实时，本地运行门槛为 M4 Max 及以上的 MacBook Pro
- 团队构成：Block 内部一个小型研究组，负责人 Ragavan Thurairatnam 直接向多尔西汇报，成员含原多伦多 Dessa 实验室人员
- 访问限制：不开放下载。当前只邀请少量 AI 安全研究者提前评估，其余人加入等待名单
- 未公开项：参数量、权重、许可证、价格、延迟数字、任何基准分数，也没有第三方评测
为什么不是又一个小模型
主流语音助手是一条模型链：识别把语音转成文字，语言模型生成回复，语音合成再读出来。这样做好处是中间的文字可记录、可审查，代价是文字装不下的东西全部丢掉——语气、迟疑、笑声的时机。Dessa 直接省掉这一层。与它同方向的路线有两种：Kyutai 的 Moshi 处理音频但仍预测文本作为「内心独白」，OpenAI 今年 7 月上线的 GPT-Live 做全双工但知识仍来自后台语言模型。Dessa 的差异在于把文本彻底抽掉。
从成本结构看，这条路的想象空间在端侧：Block 主业是支付，旗下 Square 已用语音 AI 处理下单，一个能在笔记本上跑、延迟低于实时的语音模型，意味着商户侧可以不再为每次对话付云端 token 费用。这也是官方主张里最实的部分。
不确定之处
- 全部能力主张来自厂商。没有论文、没有参数量、没有训练音频小时数、没有独立听测，公开材料只有六段未加引导的实录与十余段样音
- 外部媒体听感并不一致：The Verge 认为多数对话自然，但间有违和，其中一次把对话方叫成「Ronaldo」
- 落地还有合规问题。欧盟 AI 法案禁止在工作与教育场景推断情绪，并要求告知用户正在与机器对话；一个以情绪感知为卖点的语音模型进入客服、HR、课堂，会直接撞上这两条
- 「从声音学语言」的效率问题尚无答案：能学到多少事实、能否迁移新语种、上下文学习能力如何，官方自己也把这三条列为待研究问题
企业侧可以怎么用这条信息
短期不必把它当可选项，它没有产品形态。可作为技术路标：如果纯语音训练能成立，语音智能体的成本曲线会被重画，客服与硬件的本地语音方案值得重新做一次成本模型。同时它给出了一个提醒——当模型不再输出可读文本，日志与审计链条需要另建一套，这在受监管行业里不是细节问题。