Block发布Dessa：能听出情绪、可本地运行的全双工语音模型

导语

语音AI正在从“把文字读出来”转向更接近真实对话。Block研究团队发布的Dessa，试图绕开传统语音助手常见的文本处理中间环节，让模型直接在语音之间完成交流。根据公司展示的样例，它能够在对话中加入笑声、停顿、疲惫感和近似哽咽的表达，听起来比机械式播报更像一个正在回应的人。

核心要点

• 全双工交互：Dessa可以同时听和说，不必等用户完整说完再开始处理，这种模式更接近自然对话，也有助于减少轮流发言带来的停顿。
• 端到端语音训练：Block称模型完全使用人类语音训练，并由单个NVIDIA GPU机架完成训练。公司强调，模型的知识主要来自其接触过的对话数据，而不是传统意义上搭配大型语言模型进行知识检索。
• 情绪直接体现在声音中：目前不少语音模型先生成文本，再通过标签或其他控制方式指定情绪。Block认为，这条文本管线会丢失语速、音高和语气等信息；Dessa则试图把情绪作为语音生成的一部分。
• 可在本地运行：Block表示，Dessa可以运行在MacBook M4 Max或更高配置的消费级电脑上。不过，公司尚未公布完整的模型规模、延迟、许可方式或实际硬件要求。
• 暂未开放：公众目前无法直接使用Dessa。Block邀请安全研究人员参与测试，重点关注语音代理模仿真人、影响听者判断或实施欺骗的风险。

这意味着什么

如果Dessa的演示表现能够在更广泛的场景中复现，本地运行将成为它的重要卖点。语音数据不必全部发送到云端，可能有助于降低延迟、网络依赖和推理成本，也让企业更容易把语音交互嵌入客服、点单和其他设备中。Block旗下Square已经使用语音AI处理点单业务，因此Dessa也可能成为公司继续拓展商业语音应用的技术基础。

但“听起来像人”既是产品优势，也是安全挑战。情绪化声音会增强亲和力，却也可能让用户误以为自己正在和真人沟通。尤其当系统可以主动打断、表现疲惫或流露脆弱情绪时，身份披露、录音授权、欺骗防护和审计机制都不能被忽略。

目前，Dessa更像是一次技术路线展示，而不是已经可用的通用产品。它是否具备稳定的事实能力、长时间对话能力和可控性，仍需等待公开测试。真正的竞争焦点也许不只是声音有多像人，而是模型能否在自然性、隐私与安全之间取得平衡。

来源：TechCrunch AI