没读过一个字，却学会了说话：Block 的 Dessa 与纯语音路线

一次反常识的发布

10 月 23 日，Jack Dorsey 执掌的 Block 发布了语音对话模型 Dessa。据 Block 介绍，它从零开始、只用真实的人类对话录音训练：没有文本数据，也没有预训练模型打底。Block 称它是"迄今最真实的全双工语音模型"。选它的理由很简单——这是近期最反直觉的一次发布：一个模型没读过一个字，却学会了说话。

为什么"跳过文字"这么难

今天的语音助手大多是接力赛：语音转文字、文字模型作答、文字再转回语音。问题出在第一棒——文字会丢掉语气、停顿、笑声和讽刺。一个人说"我很好"时是真好还是勉强，文字看不出来，声音听得出来。

Dessa 的做法是"音频进、音频出"，且全双工：边说边听。于是它能像真人一样插话、接话，在对方说话时应一声"嗯""对"，也能在对方卡壳时帮忙接上被遗忘的电影名。Block 的演示里就有这样的片段：模型中途笑出声、听出惊喜、作出近乎哽咽的反应。这些不是文本模型"写出来"的情绪，而是从对话录音里"听出来"的行为。

"几百倍更少"的数据与一台机架

Block 给出的两个效率数字值得玩味：其一，Dessa 学习语言所用的"词"据称比大语言模型少几百倍；其二，整个训练只用了一台 NVIDIA GB200 NVL72 机架——72 块 Blackwell GPU 加 36 颗 Grace CPU。成品则据称能在 MacBook Pro M4 Max 及以上机型本地运行，且快于实时。

如果属实，这挑战了一个默认假设：语言能力必须来自海量文本预训练。小孩也是先听会说话、后识字，Dessa 押注的正是这条发育路径——真实对话的信息密度更高：一次对话同时包含内容、情绪、轮次规则和社交信号，而纯文本只有内容。

诚实的一面：目前还只是演示

热情需要降温。Block 尚未公布参数量、基准分数、API 或权重，也没有第三方评测；公众只能通过官网的录音和一份候补名单接触它，早期访问先给一小批 AI 安全研究者。据报道，演示也并不完美，有一次模型把说话者错认成了别人。

这些缺口决定了 Dessa 今天的身份：一个方向正确的预告，而非可用的工具。它的核心主张——语音本身足以教会模型语言——仍需独立评测来验证。

为什么它值得关注

即便如此，Dessa 戳中了语音智能体的真正瓶颈。过去几年，Moshi、EVI 等情感语音模型都承诺过"更像人的对话"，却都没成为默认交互方式。Block 的不同之处在于动机：它认为听不出情绪的语音 AI 不只是体验问题，更是安全问题——听不出求助者声音里的异样，就谈不上负责任的部署。

更值得注意的是规模叙事的反转：一个规模很小、直接向 Dorsey 汇报的实验室（由多伦多创业公司 Dessa 的旧部创立），用一台机架做出了一件前沿实验室通常用集群做的事。无论最终成色如何，它都证明了一点：下一代语音模型之争，可能不在"谁的文本模型更大"，而在"谁先真正听懂人说话"。

来源：Block 于 2026 年 10 月 23 日发布 Dessa 的官方介绍及多家媒体报道；文中效率数字均为 Block 自述，基准与第三方评测暂未公布。