Block 发布纯语音模型 Dessa：单台 GB200 训练，M4 Max 本地跑

一句话结论：Block 在 10 月 23 日发布的纯语音模型 Dessa 用一台 NVIDIA GB200 NVL72 完成训练，推理阶段可直接在 M4 Max 及以上的 MacBook Pro 本地跑完并快于实时，是目前少数明确不用任何文本语料、不用任何预训练模型的端到端语音对话模型，但它至今没有公布参数量、数据规模、延迟数值和第三方基准分数。

10 月 23 日，Jack Dorsey 旗下的支付公司 Block 内部一支很小的 AI 研究实验室对外发布了一款语音模型，名字叫 Dessa。它不是助手，不接入 App，也不是 SDK，而是一份研究预览：官网上挂着候补名单，第一批访问权限只发给一小群 AI 安全研究者，公开链接标注即将上线。

值得关注的地方有三个。第一，它宣称训练素材只有人类说话的声音，一个文字样本都没有，也不使用任何预训练模型；第二，它是全双工的，一边听一边说，能在别人没说完时插话，也能像人一样用”对””嗯””哦”这类短促回应表示在听；第三，它能在本地 MacBook 上运行，速度快于真实时间。把这三条放在一起，等于说有人证明了纯语音路线在极小算力下是可行的。这与主流语音 AI 的扩张方向正好相反，后者普遍在往更大的模型、更长的上下文和更高的云端算力上堆。

从零开始的纯语音训练究竟意味着什么

今天绝大多数语音 AI 走的是级联路线：录音先经语音识别转成文本，文本交给大语言模型思考，模型输出再由语音合成器读出来。这条路成熟、便宜、可控，但每一步都在丢信息。语调、停顿、呼吸、讽刺、笑点落下的时机，全都被压扁进一串文字里。Block 对此的表述很不客气：当前最强的 AI 听不出你此刻的情绪，这件事既让体验变差，也可能带来危险。

Dessa 跳过了整条级联。音频进，音频出，中间没有转写步骤。Block 给出的类比是婴儿学说话，过程中从未见过写下来的文字，团队想看看模型能不能也这样学会，结果是能，但非常难。

难在数据本身。文本有个便利，同一句话谁打都一样；语音没有这个性质，同样一句话说两遍，两次的波形都不一样。压力落在哪个词上会改变整句含义，一个口语单词占用的字节数是同样文字写法的数千倍。Block 称 Dessa 学会语言用到的词数比大语言模型少几百倍，同时还要额外学会口音、停顿、呼吸、幽默、抑扬转折和插话时机。用一句官方页面上给的例子说明：把”我不是说她偷了我的 CUDA 代码”这句话的重音依次落在不同词上，每种读法都是不同意思。

值得单独指出的是训练规模的量级。整个训练只用了一台 NVIDIA GB200 NVL72，也就是单机架规模的英伟达数据中心系统。对照今天动辄千卡起步的前沿模型训练，这个数字小得不像话。官方没有公布参数量、语料时长或模型文件大小，所以”小”只能从算力侧推断，无法给出确切倍数。

全双工与情绪，把对话节奏交还给模型

全双工这个词在语音产品里常被滥用，很多号称全双工的模型仍然是轮流说话，等你说完再开口。Dessa 的差别在于它从真实对话录音里学会了什么时候该插话、什么时候该只给一个”对”或”收到”这类附和。这两件事看起来很小，实际上决定了对话像不像人对人说话。

官网放出的演示录音有几处值得注意。它在笑话落地的那一刻直接笑出来，而不是等对方说完再补一个笑；被要求大声一点就真的会提高音量；对方想不起一部电影的名字时，它能顺着把那句补完；听到一个意外的周年纪念消息，它会先轻轻”哦 my god”一声，再给出带哭腔的感谢。这些录音被官方描述为现场录制、无人引导，字幕是后期加的。

情绪维度上，官方列出它原生能听也能说的内容包括讽刺、笑声、沮丧的叹气，以及悲伤时声音的破裂。对比 蚂蚁百灵开源的 Ming-3.0 语音系列 在合成侧强调的导演模式可控情绪，路线恰好相反：百灵把情绪做成一个可编程的旋钮，Dessa 试图让情绪成为说话本身自带的行为。

演示也暴露了粗糙的一面。多家媒体注意到它有时把说话人误认成某个叫 Ronaldo 的人，聊到克里斯托弗·诺兰的电影会突然拐到布莱恩·辛格的超人系列，有人说自己去巴黎做了一次说走就走的旅行，它回应的语气像带着眼泪的感激。Block 选择把这些错误一起放出来，某种程度上说明它自己也知道这段录音未经剪辑。

与主流语音模型摆在一起看

如果把 Dessa 放进当前的语音模型竞争格局，它的定位就清楚了。同期最直接的对手是 ElevenLabs 在 10 月 20 日发布的 Eleven Realtime，同样走端到端语音到语音路线，覆盖 90 多种语言，可调用 17000 条以上的音色库，并且给出了完整的第三方基准分数。Grok Voice 3.0 在 Big Bench Audio 上的 98.5% 也高于 Gemini 3.8 Live Extended Thinking 的 97.7%。

这张表的落差本身就是结论。竞品给出的是可复现的分数和毫秒级延迟，Dessa 给出的是一组未经第三方验证的官方录音。在跑分维度上它目前无法参与排名，唯一确定的差异化在训练语料和运行位置两处。

不过它也不是没有对照物。Block 官网收录了一段 Dessa 与 OpenAI 的 GPT-Live-1 语音模型 直接对话的录音，两边声音都由 AI 生成，官方称 GPT-Live-1 的开发者与 Block 无关联，也未审阅或背书 Dessa。多家媒体的听感判断是 Dessa 更自然一些，但这类主观评价在没有基准支撑时参考价值有限。

把情绪识别当成安全问题

Block 给出的三个理由依次是好奇心、改善人与 AI 之间的理解，以及安全。前两个理由常见，第三个才是这个项目真正想推的命题。

官方页面上的原话场景是：一个人正处于剧痛中说话，而语音 AI 毫无察觉地继续往下讲。随着 AI 获得越来越强的行动力和独立性，它对人类声音里情绪信号近乎失聪的状态并没有同步改善。纯语音路线在他们的框架里不是纯粹的技术洁癖，而是一个安全补丁：如果系统连”这个人是不是很难受”都听不出来，那么再强的智能在真实场景里也可能用错方式回应。

这条逻辑站得住。级联路线中语音识别输出的通常是文字加几个置信度值，情绪维度基本被抹平；端到端模型至少在原理上保留了原始波形里的信息。但要注意这只是原理上的推论。Block 没有提供任何关于情绪识别准确率的数据，也没有说明模型在识别到痛苦信号后会做什么。识别出来不等于做出正确反应，这一步目前完全空白。

现在能拿到什么，还拿不到什么

对想用上这类模型的人，当前的可得性清单如下。

团队规模同样小得反常。Block 列出的研究员是六人：Louay Hazami、Hashiam Kadhim、Qi (Alex) Liu、Rayhane Mama、Aydin Polat 和 Marc Tyndel，另有三名实习生和两名前实习生。这支实验室的前身是 2020 年被 Block（当时还叫 Square）收购的多伦多深度学习创业公司 Dessa，团队自 2012 年起做深度学习模型，生成式语音模型做了八年以上，直接向 Block 联合创始人兼董事长 Jack Dorsey 汇报。负责人 Ragavan Thurairatnam 在社交平台上把这次发布称作语音领域的 GPT-3 时刻。

官方页面同时列出了三个尚未回答的研究问题：纯语音模型学习语言和事实的效率与文本训练模型相比如何，它们学习新语言的效率如何，以及能执行哪些类型的上下文学习。这三个问题恰好对应这套路线最关键的不确定性。

对照 IBM 开源的 Granite Speech 5.0 给出 5.68% 的词错率、Gradium Phonon 用 3100 万参数在端侧跑到 1.70% 词错率 这类把数字摆在明面上的做法，Dessa 目前只能用演示录音说话。这两种路线的差别不只是工程成熟度，也是两种研究价值观的差别，一个把可复现的量化结果当作品交付标准，一个把现象本身当发现来发布。

小结

Dessa 值得记住，不是因为它的分数高，而是因为它证明了一件事：一个足够小的团队，用一台机器的算力，不碰文本，不借用任何预训练模型，也能让模型学会像人一样边听边说、插话、附和、并把情绪带进声音里。它同时把语音模型的一个被忽视的问题摆到了台面上，情绪不是装饰，识别不到痛苦信号是一种真实的安全缺陷。

它同样留下了三个空白：不发布权重意味着社区无法验证，不公布参数量和语料规模意味着”小”这个核心卖点无法量化，不给跑分意味着它无法进入现有的模型对比体系。这三个空白加上研究预览的形态，让它更接近一篇论文的预印本而不是一个产品。后续真正值得盯的指标有三个：首批外部研究者拿到模型后是否复现出官方的自然度，Block 是否补上参数量与延迟数据，以及纯语音模型在效率上是否真的优于文本路线。

在本地运行这件事上，Recursive Flint 用 40B 总参数、2.5B 激活在本地跑出 131 tok/s 给出了一个参照坐标：端侧推理已经能把大模型压进个人设备，Dessa 证明的是同一件事在语音维度上也成立，而且不需要先学会写字。

常见问题

Dessa 是什么？它是 Block 内部 AI 研究实验室在 10 月 23 日发布的一款端到端语音对话模型，特点是训练阶段完全没有使用文本语料和任何预训练模型，音频进音频出，中间不做转写。它目前是研究预览形态，不是可直接使用的产品。

Dessa 和 GPT-Live-1、Eleven Realtime 这类语音模型有什么不同？差异集中在训练语料和运行位置两处。GPT-Live-1 与 Eleven Realtime 都跑在云端服务上，而 Dessa 可以直接在 M4 Max 及以上的 MacBook Pro 本地运行且快于实时。另外 Eleven Realtime 已经给出 Big Bench Audio 98.8%、首音 570 毫秒这样的量化结果，Dessa 这边目前没有任何公开跑分。

现在能用上 Dessa 吗？暂时不能直接用。官方没有开放权重和公开 API，官网标注链接即将上线。第一批访问权限面向一小群 AI 安全研究者开放申请，需要机构邮箱，公众则可以进候补名单。

Dessa 是怎么做到只用一台机器训练的？官方披露的训练算力是一台 NVIDIA GB200 NVL72，也就是单机架规模的英伟达数据中心系统。参数量、训练数据规模和延迟数值都没有公布，所以目前无法判断它与大型模型之间的具体倍数关系。