Jack Dorseys Block stellt Dessa vor, eine Voice-KI, die allein mit menschlicher Sprache auf einem einzigen Nvidia-Rack trainiert wurde
Wichtige Erkenntnisse
- •Block hat Dessa vorgestellt, ein Sprachmodell, das ausschließlich mit menschlicher Sprache trainiert wurde – ohne Textdaten und ohne vortrainierte Modelle. Das Unternehmen sagt, es laufe lokal auf einem MacBook Pro M4 Max oder besser.
- •Dessa ist ein vollduplexes Speech-to-Speech-Modell, das gleichzeitig spricht und hört und schneller als in Echtzeit läuft – anders als herkömmliche Assistenten, die in strengen Wechseln transkribieren, verarbeiten und sprechen.
- •Das Modell wurde auf einem einzigen Nvidia-GB200-NVL72-Rack mit 72 Blackwell-GPUs trainiert und lernte Sprache aus hunderten Male weniger Wörtern, als ein textbasiertes LLM benötigt.
- •In veröffentlichten Aufnahmen führte Dessa ein ungelenktes Gespräch mit OpenAIs GPT-Live-1, wobei der Entwickler von GPT-Live-1 Dessa weder geprüft noch gebilligt hat.
- •Dessa ist nicht öffentlich verfügbar; Block führt eine Warteliste und gewährt einer kleinen Gruppe von Forschern im Bereich KI-Sicherheit frühzeitigen Zugang, ohne Zeitplan für eine breitere Veröffentlichung.
Blocks, das Zahlungsunternehmen von Jack Dorsey, hat nach Unternehmensangaben ein neues Sprachmodell namens Dessa entwickelt, das vollständig auf menschlicher Sprache trainiert wurde – ohne Textdaten und ohne vortrainierte Modelle, wie das Unternehmen in einer offiziellen Ankündigung mitteilte. Block zufolge läuft das fertige Modell lokal auf einem MacBook Pro M4 Max oder besser, und das kleine Forschungslabor hinter dem Projekt trainierte es auf einem einzigen Rack aus Nvidia-Servern. Lokale Ausführung bedeutet, dass ein Gespräch auf dem Gerät selbst verarbeitet wird, statt über einen Cloud-Dienst gestreamt zu werden.
Block beschreibt Dessa als die erste KI, die dem Unternehmen bekannt ist, die nach einem Training ausschließlich mit menschlicher Sprache ein lebensechtes Live-Gespräch führen kann. Das kompakte Forschungslabor hinter dem Modell berichtet direkt an Dorsey.
Vollduplex-Modell führte ungelenkte Demo mit OpenAIs GPT-Live-1
Die meisten Sprachassistenten wandeln Gesprochenes in Text um, führen den Text durch ein Sprachmodell und wandeln das Ergebnis anschließend wieder in Sprache zurück. Block argumentiert, dass diese Pipeline Emotionen, Sarkasmus, Lachen und das, was das Unternehmen "eine triste, brechende Stimme" nennt, verwirft.
Dessa hingegen wandelt Sprache direkt in Sprache um, ohne zwischengeschaltete Textstufe. Wie zwei Menschen im Gespräch spricht und hört es gleichzeitig – Audio fließt in beide Richtungen zugleich, statt in den strengen Wechseln, die eine Transkribieren-Verarbeiten-Sprechen-Pipeline zulässt. Das Modell weiß, wann es dazwischenkommen und wann es mit einem "yeah!" oder "got it!" einstimmen soll, so Block, und es läuft schneller als in Echtzeit.
Laut Block führt niemand das Modell in den veröffentlichten Aufnahmen – Dessa entscheidet selbst, was, wann und wie es sagt. In den Clips lacht es mitten im Satz, macht erstaunte Atemgeräusche und wird lauter, wenn es gebeten wird, lauter zu sprechen. In einer Aufnahme führte Dessa ein Gespräch mit OpenAIs GPT-Live-1. Block weist darauf hin, dass der Entwickler von GPT-Live-1 Dessa weder geprüft noch gebilligt hat.
der Ankündigung des Modells auf X schrieb Projektleiter Ragavan Thurairatnam:
"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech." pic.twitter.com/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) October 23, 2026
Ein GB200-NVL72-Rack und "hunderte Male weniger Wörter"
Dessa wurde auf einem einzigen Nvidia GB200 NVL72 trainiert, einem rackbasierten System, das 72 von Nvidias Blackwell-GPUs zu einer Maschine verbindet. Das Labor sagt, das Modell habe Sprache aus "hunderten Male weniger Wörtern" gelernt, als ein textbasiertes LLM benötigt. Sprache habe die Aufgabe schwieriger gemacht, erklärte Block: Ein gesprochenes Wort enthält tausende Male mehr Bytes als dasselbe Wort in Schriftform.
Das Labor wurde von ehemaligen Mitgliedern von Dessa gegründet, einem Deep-Learning-Startups aus Toronto, und sein Team entwickelt seit mehr als acht Jahren generative Sprachmodelle. Thurairatnam leitet das Projekt und nannte die Veröffentlichung auf X "einen GPT3-Moment für die Sprache" – eine Anspielung auf GPT-3, OpenAIs Textmodell von 2020, das maschinell erzeugtes Texte vom Forschungsdemo zum weit verbreiteten Werkzeug machte, und seine Kurzfassung dafür, die Sprache an einen ähnlichen Wendepunkt zu stellen.
Dessa ist nicht öffentlich verfügbar. Block führt eine Warteliste und gewährt einer kleinen Gruppe von Forschern im Bereich KI-Sicherheit frühzeitigen Zugang, um Risiken aufzudecken, die das Team nicht vorhergesehen hat. Die Ankündigung enthielt keinen Zeitplan für eine breitere Verfügbarkeit.
Drei Dinge motivierten Block, das Modell zu entwickeln. Zwei sind Neugier und ein besseres Verständnis zwischen Mensch und KI. Das dritte ist Sicherheit: Block verweist auf das Szenario einer Person, die starke Schmerzen hat, während eine Voice-KI es nicht bemerkt und weiterredet – genau die Art emotionales Signal, das eine textzentrierte Pipeline eliminieren kann, bevor das Modell es überhaupt hört.
Die Ankündigung erfolgt in einer Zeit des Umbruchs bei Block. Wie Cryptopolitan berichtete, entließ das Unternehmen (NYSE: XYZ), früher Square, im Februar 40 % seiner Belegschaft. Im Juli brachte Block Buzz heraus, eine Workplace-Chat-App, in der Menschen und KI-Agenten Kanäle teilen können.
