Am 24. Oktober 2026 berichtete TechCrunch über Dessa, ein neues Sprachmodell aus Blocks Forschungslabor: Es geht nicht über Text, sondern hört in Ton und antwortet in Ton. Block-Gründer Jack Dorsey schrieb in einem Beitrag vom 23. Oktober, dass sich ein Gespräch mit Dessa anfühlt wie ein Gespräch mit einem Menschen, voller Emotionen, Pausen und natürlichem Rhythmus. Das Modell ist noch eine Forschungsvorschau, die normale Nutzerinnen und Nutzer noch nicht verwenden können, zeigt aber eine andere Richtung als gängige Sprachassistenten.
Ohne Textumweg geht erst einmal nicht die Hälfte der Information im Ton verloren
Die meisten Sprachassistenten wandeln Sprache zuerst in Text um, lassen dann ein Sprachmodell eine Antwort überlegen und synthetisieren schließlich Sprache. Emotionen, Tonfall, Lachen und Pausen, die nur im Ton existieren, können schon im ersten Schritt verloren gehen. Dessa ist ein Full-Duplex-Sprachmodell: Es hört zu, während es spricht, kann unterbrechen und sich abwechseln, ein Gespräch mit kurzen Reaktionen wie „ja“ oder „verstanden“ am Laufen halten und Emotionen, Sarkasmus, Lachen, Seufzen und Tonveränderungen heraushören. In von Block veröffentlichten Gesprächsdemos klingt das Modell wirklich müde, wenn es sagt, dass es müde ist, und lacht, wenn etwas es amüsiert. Emotionen sind kein nachträglich aufgeklebtes Etikett, sondern eine Ausdrucksweise, die das Modell aus dem Ton gelernt hat.
Allein aus menschlichen Stimmen gelernt, und das auf einer einzigen Maschine
Block zufolge wurde Dessa von Grund auf nur aus Aufnahmen menschlicher Gespräche trainiert, ohne Text und ohne vortrainierte Modelle. Es habe Sprache aus „hundertfach weniger Wörtern“ gelernt, wobei Sprachmodelle auch Code und anderes lernen müssen, sodass sich Wortzahlen nicht direkt vergleichen lassen. Für das Training wurde ein einziges NVIDIA-GB200-NVL72-System verwendet, die Inferenz läuft schneller als in Echtzeit, und das Modell kann lokal auf einem MacBook Pro mit M4-Max-Chip oder besser laufen. Sprachdialoge müssen also nicht unbedingt von einem Cloud-Modell und einer Text-Pipeline abhängen: Auch ein kleineres, spezialisiertes Sprachmodell kann verblüffend menschlich klingen.
Menschlich zu klingen, ist genau die erste Hürde, die es nehmen muss
Block hat weder Modellgröße, Datensatzgröße, Latenzwerte noch formale Benchmark-Ergebnisse veröffentlicht und keinen öffentlichen Veröffentlichungstermin genannt. Frühe Tests stehen derzeit nur einer kleinen Gruppe von KI-Sicherheitsforschenden offen, daneben gibt es eine öffentliche Warteliste. TechCrunch weist darauf hin, dass Block höchstwahrscheinlich zuerst die Risiken kartieren will: Ein Sprachassistent, der zu menschlich klingt, könnte durchaus dazu benutzt werden, sich am anderen Ende eines Telefonats als echte Person auszugeben. Je natürlicher die Stimme, desto wichtiger wird es, zu prüfen, wer spricht, die KI-Identität zu kennzeichnen und einen überprüfbaren Nachweis zu hinterlassen. Sonst wird aus einem technischen Erfolg im „Menschlich-Klingen“ leicht ein Vertrauensproblem. Für normale Nutzer ist Dessa derzeit eher als technische Richtung interessant denn als Produkt zum sofortigen Herunterladen: Es zeigt, dass Sprache keine Text-Pipeline braucht, muss aber vor dem Einzug in Alltagsprodukte noch Fragen zu Sicherheit, Kennzeichnung und Überprüfbarkeit beantworten.
