2026年10月24日，TechCrunch 报道了 Block 研究实验室的新语音模型 Dessa：它不经过文字中转，直接用声音听、直接用声音答。Block 创始人 Jack Dorsey 在10月23日的帖子里说，和它说话就像和人说话一样，带着情绪、停顿和自然的节奏。这个模型目前还是研究预览，普通用户还用不上，但它指向了一条和主流语音助手不太一样的路线。
不转文字，声音里的信息就不会先丢一半
多数语音助手是先把语音转成文字，再让语言模型想答案、最后合成为语音；情绪、语气、笑声、停顿这些只存在于声音里的信息，在第一步就可能被扔掉。Dessa 是全双工语音模型：它边听边说，能打断、能接话，能用“嗯”“明白了”这样的短回应接住对话，也能听出情绪、讽刺、笑声、叹息和语调变化。Block 公布的对话演示里，模型会在说自己累了的时候真的听起来很累，也会在被逗笑时笑出来——情绪不是后期贴上去的标签，而是模型从声音里学到的表达方式。
只用人的声音训练，还只用了一台机器
Block 说，Dessa 从零开始、只用人类的对话录音训练，没有用文字、也没有用预训练模型；它从“少几百倍的词”里学会了语言，当然语言模型还要学代码等其他东西，不能直接拿词数比高低。训练只用了一台 NVIDIA GB200 NVL72 系统，推理速度快于实时，还能在配备 M4 Max 芯片或更高配置的 MacBook Pro 上本地运行。这意味着语音对话不一定非要依赖云端大模型和文字管线，小而专的语音模型也可能把对话做得很像人。
像人，恰恰是它最先要过的一关
Block 没有公布模型规模、数据集大小、延迟数字和正式评测成绩，也没有给出公开发布时间；目前只向一小批 AI 安全研究人员开放早期测试，并开放了公开候补名单。TechCrunch 指出，Block 这样做很可能是要先摸清风险：一个听起来太像人的声音助手，完全可能被用来在电话另一端冒充真人。声音越自然，验证对方身份、标注 AI 身份、留出可核查的记录就越重要；否则技术上的“像人”，很容易变成信任上的麻烦。对普通用户来说，Dessa 现在更值得当作一条技术路线来关注，而不是一个马上能下载的产品：它证明了语音可以不依赖文字管线，但要进入日常产品，还要先回答安全、标注和可验证性这几道题。
