2026年10月24日、TechCrunchはBlockの研究ラボによる新しい音声モデルDessaを報じた。Dessaは文字を経由せず、音で聞いて音で答える。Blockの創業者Jack Dorseyは10月23日の投稿で、Dessaと話すのは人と話すようで、感情や間、自然なリズムがあると書いた。このモデルはまだ研究プレビューで、一般ユーザーはまだ使えない。だが、主流の音声アシスタントとは異なる方向を示している。
文字に変換しなければ、音の情報は最初に半分失われない
多くの音声アシスタントは、まず音声を文字に変換し、言語モデルが答えを考え、最後に音声を合成する。感情や声の調子、笑い声、間といった、音にしか存在しない情報は、最初の段階で捨てられてしまう可能性がある。Dessaは全二重の音声モデルで、聞きながら話し、割り込みや相づちができ、「うん」「なるほど」といった短い返答で会話をつなぎ、感情、皮肉、笑い声、ため息、声調の変化を聞き取れる。Blockが公開した会話のデモでは、モデルは疲れたと言うときに本当に疲れたように聞こえ、面白いことがあると笑い出す。感情は後から貼られたラベルではなく、モデルが音から学んだ表現方法だ。
人の声だけで、しかも1台のマシンで学習した
Blockによると、Dessaは人間の会話の録音だけからゼロから学習し、文字も事前学習済みモデルも使っていない。「何百分の1の単語数」で言語を学んだというが、言語モデルはコードなど他のことも学ばなければならず、単語数を直接比べることはできない。学習にはNVIDIA GB200 NVL72システム1台だけが使われ、推論はリアルタイムより速く、M4 Maxチップ以上のMacBook Pro上でローカルに動作する。つまり、音声会話は必ずしもクラウド規模のモデルや文字のパイプラインに頼る必要はなく、小さく特化した音声モデルでも人らしく話せる可能性がある。
人らしく聞こえることこそ、最初に越えるべき関門だ
Blockはモデルの規模、データセットの規模、遅延の数値、正式なベンチマーク結果を公開しておらず、公開時期も示していない。早期テストは現在、少数のAI安全研究者にのみ開放され、公開のウェイティングリストも用意されている。TechCrunchは、Blockがまずリスクを把握しようとしている可能性が高いと指摘する。人間にあまりに似た声のアシスタントは、電話の相手に本物の人間だと偽って使われる可能性がある。声が自然になればなるほど、話し手を検証し、AIであることを明示し、確認可能な記録を残すことが重要になる。そうでなければ、技術的に「人らしく」なることが、信頼の問題になりかねない。一般ユーザーにとって、Dessaは今すぐダウンロードできる製品というより、技術的な方向性として注目する価値がある。音声が文字のパイプラインに頼らなくてよいことを示したが、日常の製品に入るには、安全、表示、検証可能性という問いにまず答えなければならない。
