Block Dessa 语音 AI 完整解析：Speech-to-Speech、Full-Duplex、纯语音训练与 Mac 本地运行

一、Dessa 为什么引起语音 AI 行业关注？

2026 年 10 月下旬，Jack Dorsey 旗下公司 Block 公布了一款名为 Dessa 的语音 AI 研究模型。

它的特别之处不只是能够把文字转成自然语音。

Block 官方称，Dessa 从零开始训练，使用的学习材料只有人类语音对话。

它没有依赖文本语料，也没有在其他预训练模型基础上继续训练。

这与目前常见的大语言模型开发路线具有明显区别。

多数语言模型主要通过大量文字学习词汇、语法、世界知识和推理模式。

而 Dessa 的研究问题是：一个模型能否像人类婴儿一样，首先通过声音理解语言？

Block 表示，Dessa 不仅学会了语言交流，还能够处理说话中的停顿、笑声、语气变化和插话时机。

这让它成为一个值得关注的语音原生模型研究案例。

但这些能力目前主要通过官方录音和演示展示，尚不能被视为已经经过大规模独立第三方验证的产品能力。

二、Dessa 与普通语音助手有什么不同？

传统语音助手通常分为三个阶段。

第一阶段，语音识别系统把用户声音转换为文字。

第二阶段，大语言模型根据文字生成回答。

第三阶段，语音合成系统把回答文字转换为音频。

这种结构通常称为 ASR + LLM + TTS。

它的优势在于各个组件可以独立优化。

但声音转为文字时，部分信息可能被简化或丢失。

例如，同一句话使用不同语气表达，可能代表讽刺、惊讶或认真。

如果系统只保留转写文字，模型就需要依靠额外的标注才能理解这些变化。

Dessa 则尝试直接从语音输入生成语音输出。

它希望减少把自然对话完全压缩为文字的过程。

不过，语音原生路线不代表所有现有实时语音系统都仍采用传统三级流水线。

部分新一代语音模型已经能够直接处理音频。

因此，更准确的比较应针对具体模型架构，而不是简单宣称 Dessa 是唯一的语音到语音系统。

三、什么是 Speech-to-Speech？

Speech-to-Speech 可以理解为语音输入、语音输出。

用户直接说话，模型直接产生语音回应。

与传统文字中间表示不同，这种方式更有机会保留声学信息。

例如，说话速度、音量和重音。

在真实对话中，人类还会通过极短的声音表达理解。

比如“嗯”“我明白了”等回应。

这些反馈未必具有很复杂的文字含义，但可以明显改善交流节奏。

Block 希望 Dessa 学会这种互动方式。

这意味着语音 AI 的评价标准不应该只看转写后的文字是否正确。

还要考虑它什么时候开始讲话，什么时候应该等待，以及会不会在不合适的时候打断用户。

四、Full-Duplex 全双工是什么意思？

Full-Duplex 指通信双方可以同时发送和接收信息。

在人类语音交流中，我们能够一边听对方讲话，一边作出简短反馈。

例如，对方正在解释一个问题，我们可以说“对”，表示自己在认真听。

当对方突然提出新信息时，我们也可能及时打断并询问。

对于传统轮流式语音助手，用户往往需要说完一整句话，系统才开始识别和回答。

Dessa 官方强调，它能够在说话时继续听取用户输入。

这种能力有助于实现更加自然的双向交流。

但是，全双工不等于所有用户的网络和硬件环境都能够达到零延迟。

真实系统仍受到声音采集、推理、音频输出及设备处理速度影响。

五、为什么打断能力重要？

想象一个电话客服场景。

AI 正在解释一套较长的退款规则。

用户听到一半就发现规则不适用于自己的订单，于是开始打断。

如果系统继续说完全部内容，用户就可能感到烦躁。

如果系统能够及时察觉用户想说话，并调整回应，就更符合正常对话习惯。

对于语音 AI，这涉及 Voice Activity Detection、声学状态识别、轮次管理和输出控制等问题。

Dessa 的设计重点，是让模型在训练中直接学习这些对话时机。

但模型能否在嘈杂环境下准确处理打断，还需要独立测试。

例如，电视声音、多人同时说话和网络音频延迟，都可能影响判断。

六、为什么文本无法完整表达语音情绪？

同一句“你来了”，可能根据语气表达高兴、惊讶、愤怒甚至失望。

文字通常无法完整记录这些差异。

除非额外加入情绪标签或标点说明。

但人类在听声音时，会自然结合重音、停顿和语速理解意思。

Block 在 Dessa 官方介绍中使用了类似例子，说明单词内容相同并不意味着语音含义相同。

Dessa 尝试直接从声音中学习这些变化。

其研究价值在于探索语言意义与声学表达之间的关系。

不过，“模型能够输出富有情绪的语音”不等于它具有真正的人类情绪。

例如，模型可以产生听起来悲伤的声音，但这并不能证明它实际体验了悲伤。

因此，报道中应避免把自然语音效果与 AI 意识或情感体验混为一谈。

七、Block 官方展示了哪些对话？

Block 在 Dessa 页面公开了多段录音。

例如，模型参与电影话题讨论。

在用户想不起影片名称时尝试补充信息。

在某段对话中，Dessa 会在合适的时机笑出声。

另一些样例展示了惊讶、迟疑和情绪丰富的回答。

官方还公布了 Dessa 与 GPT-Live-1 进行对话的音频示例。

但是，这些录音属于厂商主动选择公开的演示内容。

用户无法仅根据几段录音判断模型在所有话题中的表现。

例如，是否能够稳定执行复杂指令，是否具有高准确率的事实问答能力，或者是否会在长对话中出现语义偏移。

这些仍需要更加系统的评估。

八、Dessa 会不会显得“不自然”？

The Verge 在相关报道中指出，Dessa 的一些回答虽然表现得很像人类对话，但也会显得奇怪。

例如，模型可能误认说话者，或者突然转换话题。

这提醒我们，自然的声音不代表正确的理解。

语音 AI 可能在音色、停顿和情绪方面表现很好，但在事实判断和逻辑连续性方面仍然存在问题。

因此，对语音模型应当分别评价两个维度。

第一个是交互自然程度。

第二个是内容正确性与任务完成能力。

如果只关注语音听起来是否真实，就可能忽略模型是否真正理解用户需求。

九、为什么从零使用语音训练很困难？

文字是一种经过高度压缩的语言表示。

同一个词通常可以用固定符号记录。

但声音包含大量额外变化。

同一个人在不同时间说相同句子，生成的波形也不会完全一致。

不同说话者之间，还存在音高、声线、语速和口音差异。

此外，音频数据量通常远大于对应的文字内容。

这意味着语音模型需要学习大量声学细节，同时提取其中稳定的语言信息。

Block 表示，其研究挑战之一就是如何让模型从大量连续声音中学习世界知识和语言规律。

这与文本语言模型直接读取符号序列的方式不同。

十、Dessa 是否真的没有使用文本？

Block 在官方页面明确声称，Dessa 从零开始训练，没有使用文本和预训练模型。

这应作为厂商技术声明引用。

但在缺少完整公开训练资料及独立审查的情况下，JieAGI 不应把它写成已由第三方证明的绝对事实。

此外，不使用文本进行训练，不代表模型发布后无法被研究人员通过其他工具转写或分析输出。

也不意味着所有测试流程都不涉及任何文字记录。

需要区分模型训练数据与研究人员分析模型行为所使用的工具。

十一、Dessa 的模型规模和训练资源是多少？

Block 没有在当前项目介绍中完整公开模型参数量和所有训练细节。

但官方表示，研究团队使用一套 NVIDIA GB200 NVL72 进行训练。

这说明语音模型研究仍然需要较高的计算资源。

不过，仅根据所使用的训练系统，无法推断模型参数规模或精确训练成本。

例如，训练时间、数据规模和优化方法都会影响总计算量。

因此，不应该根据 GB200 NVL72 的公开硬件规格自行计算一个未经证实的 Dessa 参数量。

对于关注开放模型的开发者，真正可复现的技术信息仍取决于未来是否发布完整权重、代码和训练说明。

十二、为什么可以在 M4 Max MacBook Pro 上运行？

Block 官方介绍，Dessa 可以在 M4 Max 或更高规格的 MacBook Pro 上本地运行。

这是针对模型推理能力的展示。

它说明，虽然训练可能使用大型计算系统，但模型部署可以针对更小的设备进行优化。

不过，官方目前没有完整披露所有部署细节。

例如，具体内存占用、模型精度、音频缓冲大小和各类设备的持续推理速度。

因此，不能根据这个演示就认定任意搭载 M4 Max 的电脑，在任意配置下都能够轻松运行完整研究系统。

更不能推断普通 Windows 电脑已经获得官方支持。

十三、Dessa 的推理延迟如何？

Block 表示，Dessa 的推理能够比实时语音速度更快地运行。

这对于自然交流十分重要。

因为语音系统不仅需要理解内容，还要在适当时间提供声音输出。

但“快于实时”并不等于实际用户获得零毫秒等待。

完整体验涉及音频录入、模型处理和设备播放。

如果未来使用云端 API，还会增加网络因素。

因此，衡量语音延迟时应分别记录：

用户结束一个语音片段到模型开始响应的时间。

模型对打断的反应时间。

连续对话中的静音间隔。

生成语音的稳定性。

目前不能为 Dessa 编造这些指标的独立测试值。

十四、能不能与 GPT-Live 直接比较？

Block 官方确实公开了 Dessa 与 GPT-Live-1 的语音对话演示。

但一次双模型交流不构成严格的产品基准测试。

不同语音系统可能使用不同的训练数据、延迟优化和交互设计。

因此，比较时应该明确测试目的。

如果关注语音自然性，应评价打断、语气、节奏和反馈。

如果关注任务能力，应测试准确性、工具调用和长期对话。

如果关注成本，应统计完整推理资源和接口收费。

在缺少这些条件的情况下，不应宣布 Dessa 已经全面击败 OpenAI 或其他厂商的语音系统。

十五、Dessa 可以用于哪些行业？

首先是语音助手。

例如，在普通对话中及时处理用户打断。

其次是教育和语言学习。

模型可以参与发音、交流节奏和会话练习。

第三是游戏。

更加自然的语音互动有机会改善虚拟角色体验。

第四是辅助沟通工具。

对情绪与语气的理解可能帮助改善特定人机交流。

但这些都属于潜在应用方向。

尤其涉及心理健康和紧急求助时，语音模型不应仅凭推测用户情绪就承担专业诊断或应急判断。

需要明确的人工支持和安全流程。

十六、语音情绪理解有哪些隐私风险？

语音可能包含比文字更多的个人信息。

例如，声音特征、口音、情绪状态和环境背景声。

如果应用长期收集语音，用户可能并不清楚哪些数据被保存，以及用于什么目的。

因此，语音 Agent 应明确告知用户录音范围、数据用途和保留期限。

如果采用本地推理，可以减少部分外部传输。

但本地运行不等于自动满足全部隐私要求。

例如，应用仍可能保存录音文件或向其他服务上传分析结果。

开发者应该对音频数据实施必要的加密、访问控制和删除机制。

十七、语音模型还需要哪些安全研究？

Block 表示，希望让少量 AI 安全研究人员提前访问 Dessa，以发现尚未预料的风险。

需要评估的问题包括：

模型是否会误读情绪。

是否可能产生具有误导性的拟人化表达。

是否会在用户脆弱时提供不恰当回应。

是否可能模仿未经授权的声音。

是否容易受到恶意音频内容干扰。

另外，还需要研究模型能否正确区分不同说话者。

对于可能被用于电话或身份验证场景的系统，尤其应当限制声音伪造与冒名风险。

这些问题并不是 Dessa 独有，而是语音 AI 行业普遍需要面对的挑战。

十八、Dessa 已开放 API 或权重了吗？

截至 2026 年 10 月 25 日，Block 官方主要提供公开演示和少量安全研究人员的早期访问渠道。

尚未确认完整公共 API、统一开发者定价或所有用户可下载的模型权重。

因此，不能提供声称已经验证成功的 Dessa Python SDK 调用教程。

也不能编造模型下载地址或本地安装命令。

希望体验的研究人员可以通过官方项目页面提供的联系入口申请。

对于普通开发者，目前更适合关注技术方向、研究结果和后续正式开放计划。

十九、Dessa 的研究意义是什么？

Dessa 尝试回答一个很基础的问题：

语言模型是否必须先学习文字，才能与人自然交流？

Block 的实验说明，直接从声音学习语言是值得继续研究的方向。

但这不意味着文字建模会被淘汰。

文字依然具有易于搜索、编辑、引用和结构化处理的优势。

例如，代码、技术文档和复杂数学推导，仍然高度依赖精确符号表达。

因此，未来语音原生模型和文本语言模型可能长期共存。

不同产品可以根据任务选择合适的架构。

二十、FAQ：常见问题

Dessa 是谁开发的？

由 Jack Dorsey 旗下 Block 的研究团队开发。

它是普通的文字转语音工具吗？

不是。Block 将其描述为直接从语音输入生成语音输出的模型。

什么是 Full-Duplex？

指系统可以同时听取输入与产生语音回应。

Dessa 训练时完全没有用文字吗？

这是 Block 官方声明，尚不能视为独立第三方审计结论。

可以在 Mac 上本地运行吗？

Block 展示了 M4 Max 或更高规格 MacBook Pro 的本地推理能力。

现在有公共 API 吗？

截至本文日期，尚未确认面向全部开发者开放公共 API。

可以直接下载权重吗？

目前没有得到完整公开权重发布的可靠确认。

Dessa 已经比 GPT-Live 更好吗？

无法仅根据官方演示判断，需要统一的独立评测。

二十一、结语：语音 AI 正在重新寻找交互的原生形式

Dessa 的发布提醒我们，语言不只是文字。

人类交流还包括语气、停顿、情绪和及时反馈。

传统文字中间层虽然便于工程实现，却可能损失一部分声学信息。

Block 希望通过直接使用人类语音训练模型，探索更自然的实时对话。

不过，这仍是一项处于研究与有限预览阶段的技术成果。

其实际可靠性、开放程度和商业应用前景，还有待更广泛验证。

对于开发者，值得关注的不是简单追求“声音更像真人”，而是如何让语音 Agent 在交互自然性、事实准确性、隐私和安全之间取得平衡。

官方与可信来源

1. Block Dessa 官方项目 https://block.xyz/dessa

2. The Verge — Block Dessa 语音模型报道，2026 年 10 月 24 日 https://www.theverge.com/ai-artificial-intelligence/1017906/jack-dorsey-block-dessa-ai-voice-speech