Jack Dorsey 旗下的支付公司 Block 训练了一个全新的语音模型 Dessa，完全基于人类语音——该公司在官方公告中表示，训练过程中未使用任何文本数据和预训练模型。Block 表示，训练完成的模型可在 MacBook Pro M4 Max 或更高配置的设备上本地运行，而该项目背后的小型研究实验室在单台 Nvidia 服务器机架上完成了训练。本地运行意味着对话在设备本身上处理，而非通过云服务传输。

Block 称，据其所知，Dessa 是首个仅凭人类语音训练即可进行逼真实时对话的 AI。该模型背后的精简研究实验室直接向 Dorsey 汇报。

全双工模型与 OpenAI 的 GPT-Live-1 进行了无人引导的演示

大多数语音助手会将用户说的话转换为文本，将文本输入语言模型处理，再将结果转换回语音。Block 认为，这一流程丢弃了情感、讽刺、笑声，以及它所说的"哽咽的悲伤声音"。

Dessa 则直接将语音转换为语音，中间没有文本环节。就像对话中的两个人一样，它同时说话和聆听——音频双向同时流动，而非转写-处理-发声流程所允许的严格轮替。Block 表示，该模型知道何时插话、何时附和一声"对！"或"明白了！"，并且运行速度超过实时。

据 Block 介绍，在公布的录音中没有人引导该模型——Dessa 自己决定说什么、何时说以及如何说。在录音片段中，它在句子中途发笑、因惊讶而倒吸一口气，被要求大声说话时会提高音量。在其中一段录音中，Dessa 与 OpenAI 的 GPT-Live-1 进行了对话。Block 指出，GPT-Live-1 的开发者并未审核或认可 Dessa。

项目负责人 Ragavan Thurairatnam 在 X 上宣布该模型时写道：

"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

单台 GB200 NVL72 机架，以及"少数百倍的词汇量"

Dessa 在单台 Nvidia GB200 NVL72 上完成训练，这是一套将 72 颗 Nvidia Blackwell GPU 连接为一台机器协同工作的机架级系统。该实验室表示，模型学习语言所用的词汇量比基于文本的 LLM 所需的"少数百倍"。Block 解释说，语音让任务更加困难：口语中的一个词所含的字节数是书面形式的数千倍。

该实验室由多伦多深度学习初创公司 Dessa 的前成员创立，团队构建生成式语音模型已超过八年。Thurairatnam 领导该项目，并在 X 上称此次发布是"语音领域的 GPT3 时刻"——这是对 OpenAI 2020 年文本模型 GPT-3 的致敬，GPT-3 曾使机器生成的文字从研究演示走向广泛使用的工具，而他用这一说法将语音置于类似的转折点上。

Dessa尚未公开提供。Block 正在运营候补名单，并向一小群 AI 安全研究人员提供早期访问权限，以发现团队未曾预见的风险。公告未给出更广泛发布的具体时间表。

促使 Block 构建该模型的原因有三个。其二是好奇心和增进人类与 AI 之间的理解。第三个原因是安全：Block 指出了这样一种情景——一个人正处于剧烈痛苦之中，而语音 AI 未能察觉并继续说话——这正是文本优先的流程在模型听到之前就可能剥离掉的那类情感信号。

此次发布正值 Block 的变动时期。据 Cryptopolitan 报道，这家公司（NYSE: XYZ，前身为 Square）于 2 月裁员了 40% 的员工。7 月，Block 推出了 Buzz，这是一款人类和 AI 智能体可以共享频道的工作场所聊天应用。