Платежная компания Block Джека Дорси обучила новую голосовую модель Dessa полностью на человеческой речи — без текстовых данных и предобученных моделей, сообщила компания в официальном анонсе. По словам Block, готовая модель запускается локально на MacBook Pro M4 Max или лучше, а небольшая исследовательская лаборатория, стоящая за проектом, обучила ее на одной стойке серверов Nvidia. Локальный запуск означает, что диалог обрабатывается на самом устройстве, а не передается через облачный сервис.

Block описывает Dessa как первый известный компании ИИ, способный вести реалистичный живой диалог после обучения исключительно на человеческой речи. Компактная исследовательская лаборатория за моделью подчиняется напрямую Дорси.

Полнодуплексная модель провела несрежиссированную демонстрацию с GPT-Live-1 от OpenAI

Большинство голосовых ассистентов преобразуют сказанное в текст, прогоняют его через языковую модель и переводят результат обратно в речь. Block утверждает, что такой конвейер отбрасывает эмоции, сарказм, смех и то, что компания называет «грустным голосом, который срывается».

Dessa вместо этого превращает речь напрямую в речь, без текстового этапа. Как два собеседника, она одновременно говорит и слушает — аудио идет в обоих направлениях сразу, а не в строгих очередях, которые допускает конвейер «распознать — обработать — озвучить». По словам Block, модель знает, когда вставить слово и когда поддакнуть «ага!» или «поняла!», и работает быстрее реального времени.

По данным Block, никто не направляет модель в опубликованных записях — Dessa сама выбирает, что, когда и как сказать. В роликах она смеется посреди фразы, ахает от удивления и говорит громче, если попросить. В одной из записей Dessa вела диалог с GPT-Live-1 от OpenAI. Block отмечает, что разработчик GPT-Live-1 не проверял и не одобрял Dessa.

Анонсируя модель на X, руководитель проекта Рагаван Турайратнам написал:

"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

Одна стойка GB200 NVL72 и «в сотни раз меньше слов»

Dessa обучалась на одной системе Nvidia GB200 NVL72 — стойке, объединяющей 72 GPU Nvidia Blackwell для работы как единая машина. По словам лаборатории, модель выучила язык по «в сотни раз меньшему количеству слов», чем требуется текстовой LLM. Речь усложнила задачу, пояснили в Block: произнесенное слово несет в тысячи раз больше байт, чем то же слово в письменном виде.

Лабораторию основали бывшие сотрудники Dessa — торского стартапа в области глубокого обучения, а команда занимается генеративными речевыми моделями более восьми лет. Проект возглавляет Турайратнам, назвавший релиз «моментом GPT3 для речи» на X — отсылкой к GPT-3, текстовой модели OpenAI 2020 года, которая превратила машинную генерацию текста из исследовательской демонстрации в широко используемый инструмент, и его способом обозначить аналогичный переломный момент для речи.

Dessa публично недоступна. Block ведет лист ожидания и предоставляет ранний доступ небольшой группе исследователей безопасности ИИ, чтобы выявить риски, которых команда не предвидела. Сроки более широкого доступа в анонсе не назывались.

Block мотивировали три вещи. Две — любопытство и лучшее понимание между людьми и ИИ. Третья — безопасность: Block указывает на сценарий, когда человеку плохо, а голосовой ИИ этого не замечает и продолжает говорить — именно такие эмоциональные сигналы конвейер с текстовым посредником может отсечь еще до того, как модель их услышит.

Анонс происходит в период перемен в Block. Как сообщал Cryptopolitan, компания (NYSE: XYZ), ранее известная как Square, в феврале сократила 40% сотрудников. В июле Block запустила Buzz — чат-приложение для рабочего общения, где люди и ИИ-агенты могут находиться в общих каналах.