Block（Square、Cash App 母公司）于 2026 年 10 月 23 日公布 Dessa：公司称这是从零、只用人类对话训练的全双工语音到语音模型，管线中没有文本数据、也没有预训练底座。Dessa 尚未面向公众开放；早期名额面向一小群申请加入的 AI 安全研究者。

要点

内容
公司 Block（团队称直接向 Jack Dorsey 汇报）
模型 Dessa，语音到语音、全双工
训练主张 从零仅用人类对话；无文本、无预训练模型
硬件（公司说法） 在一台 NVIDIA GB200 NVL72 上训练；本机推理需 MacBook Pro M4 Max 或更高
可用性 未公开；向安全研究者开放早期访问
负责人 Ragavan Thurairatnam
发布时间 官方页 2026 年 10 月 23 日上线（The Verge 同日报道，19:32 UTC）

背景

官方页把 Dessa 写成「音频进、音频出」：边听边说，会插话和附和（如 yeah、got it），并称在支持的 MacBook 上推理快于实时。动机写了三点：好奇、更自然的人机交互，以及安全——认为转成文本会丢掉情绪与节奏，说话人痛苦时现有语音 AI 可能毫无察觉。

该实验室是 Block 内的小型研究组，由原多伦多深度学习创业公司 Dessa 成员组建。The Verge 的 Jay Peters（10 月 23 日）写道，示例对话多数自然，但偶尔尴尬或 uncanny，其中一段 Dessa 起初把说话人听成「Ronaldo」。The Decoder（10 月 24 日）把它与 Hume EVI、Kyutai Moshi、OpenAI Advanced Voice Mode 等情感语音尝试放在同一脉络，并提醒「听起来有情绪」并不等于更强的推理能力。

尚不清楚的地方

  • 参数量、音频数据量或时长、训练耗时、实测延迟，以及任何公开基准（官方页均未给出）。
  • 许可、定价、API 或公开权重。
  • 何时（或是否）扩大到安全研究者之外。
  • 「仅语音、无文本」训练主张尚无第三方核验。

来源