只听不读也能学会说话：Block 的 Dessa 把语音模型带回了声音本身

一句话先说清：这不是又一个语音助手

Block 在 2026 年 10 月 23 日公开的 Dessa，首先要从名字上纠正一个误解：它不是给现有聊天机器人加一个更好听的嗓子，也不是又一款把语音转成文字、再把文字答案读出来的工具。按照 Block 实验室自己的说法，Dessa 是一个真正的语音到语音模型：声音进去，声音出来，中间没有经过文字。它一边听一边说，能打断、能插话、能用“嗯”“对”这样的短词表示自己在跟上，也能在对方还没说完时就笑出来。Block 把它称为“迄今为止最真实的全双工语音模型”，这句话当然是厂商口径，但模型本身的训练方式确实值得单独拿出来讨论：它没有用文本语料，也没有站在某个现成大语言模型肩膀上，而是只从人类对话录音里学会了说话。

这个区别看起来技术化，实际影响的是语音产品最根本的用户体验。今天绝大多数语音助手走的都是级联路线：先把你的声音识别成文字，再把文字交给语言模型，最后把模型生成的文字合成为语音。每一步都会丢东西。语气、停顿、迟疑、笑声、叹气、讽刺的语调，这些在文字里要么不存在，要么需要额外标注才能勉强保留。Block 的论点是，正是这种“先压成文字”的做法，让语音助手听起来礼貌、正确，却始终像在朗读。Dessa 的反其道而行之，是把这些本来会被丢掉的东西当成学习对象本身：它要学的不仅是“说了什么”，还有“怎么说的”。

需要立刻补充的限定同样重要。Dessa 目前没有公开使用入口，没有公布参数规模、API、价格、权重和基准测试成绩，公众能看到的只是 Block 放出的现场录音和几家媒体的转述。也就是说，这篇文章讨论的是一个研究预览阶段的模型主张，而不是一款你可以马上下载、马上接入的产品。它的意义不在于“现在就能用”，而在于它提出了一个可以被检验的问题：一个完全不靠文字学会说话的模型，到底能走多远？而 Block 给出的第一批证据，至少让这个问题不再只是纸上谈兵。

它到底是什么：全双工、语音到语音、只听不读

先把三个关键词拆开。第一是“语音到语音”。Dessa 的输入和输出都是音频，不存在一个把语音转写成文字再交给语言模型的中转站。Block 在官方页面上写得很直白：“声音！没有文字，没有预训练模型。”这句话的潜台词是，模型对世界的了解全部来自它听到的对话，而不是来自它读过的网页、书籍或代码。第二是“全双工”。普通语音助手大多是半双工的：你说完，它才开始回答；你中途插话，它往往听不见，或者要等你说完才处理。Dessa 的设计目标是像真人对话那样双向同时进行：它在说话的同时也在听，所以打断、抢话、附和都成为对话的正常部分，而不是需要特殊处理的异常。第三是“只从语音里学”。Block 说，Dessa 从零开始训练，训练数据只有人类对话。它不是在某个文本模型外面包了一层语音外壳，这个区分决定了后面所有讨论的前提。

Block 还给出了两个关于规模和效率的具体说法，同样要标注为厂商口径。第一，训练只用了一台英伟达 GB200 NVL72 机架，而不是动辄数百上千台设备组成的大集群。第二，Dessa 学会语言所用的“词数”比大语言模型少几百倍。Block 自己也补了一句公道话：大语言模型还要学 C++ 之类的东西，不能只比词数。但即便打了折，这两个数字指向同一个判断：语音信号的信息密度和学习难度，与文本完全不同。一个词说出来要占几千倍于文本的字节，而且同一个人把同一句话说两遍，波形也不会完全相同。模型必须在这种不重复、不规整的信号里，学会音调、节奏、口音、呼吸和情绪。这正是 Block 反复强调的“难”：婴儿不用看字就能学会说话，但让机器在没有文字拐杖的情况下做到这一点，是一件此前没有被真正做成的事。

在产品形态上，Dessa 目前的定位也很克制。Block 说它可以在 MacBook Pro M4 Max 或更高配置的笔记本上本地运行，推理速度快于实时，也就是说回答不需要等待云端往返。早期使用权只给一小群 AI 安全研究员，用来发现实验室自己没有想到的问题；普通用户只能先加入等候名单。这个安排本身就是一个信号：Block 知道一个听起来太像真人的语音模型，风险与吸引力是同一枚硬币的两面。它没有选择先大规模开放、再慢慢补安全措施，而是先把模型交给专门找问题的人。这个顺序值得肯定，但也意味着，任何关于它“实际表现如何”的结论，目前都只能建立在 Block 自己挑选的演示录音上，而不是独立评测上。

演示里真正值得看的东西

Block 放出的演示不是精心剪辑的广告片，而是标注为现场录音的对话片段，每一段都配了事后加上的字幕。实验室强调，没有人中途操纵模型：Dessa 自己决定说什么、什么时候说、用怎样的声音和性格说。这几段录音里有几个细节，比“听起来很像人”这个总评更值得拆开看。

第一是情绪的即时性。有一段对话里，模型谈到自己工作累了，声音听起来真的累了；另一段里，它听到一个惊喜时先是小声倒吸一口气，再用带着泪意的语气表示感谢。还有一段，它在对方说笑话时不是等对方说完才笑，而是笑声直接插进句子中间。这些不是靠在文本里插入“[笑]”之类的标签实现的，而是模型在音频层面学会了情绪与时机之间的关系。级联系统要复现这一点，需要先识别情绪、再把它编码成标签、再让合成器按标签表演，链条越长，失真越大。Dessa 的做法是把情绪当成语言的一部分来学，而不是当成事后贴上去的装饰。

第二是对话的修复能力。有一段演示里，对方一时想不起电影名字，Dessa 顺势把句子接完了；另一段里，对方让它大声一点，它真的就提高了音量，而且没有人教过它“大声一点”对应哪个参数。这些行为在文字对话里看起来平平无奇，但在语音里却很关键：真人对话里充满了这种没有明说、靠语境补全的微小协商。模型能不能处理这些微小协商，决定了它听起来像助手还是像真人。Block 的说法是，Dessa 之所以能做到，是因为它从真实对话里学到了“什么时候插话、什么时候附和”这些节奏规则，而不是只学到了词语序列。

第三是它与另一个 AI 的对话。Block 放出了一段 Dessa 与 OpenAI 的 GPT-Live-1 对话的录音，并明确声明 GPT-Live-1 的开发者与 Block 没有关联，也没有为这次演示背书。这段录音的意义不在于是谁赢了，而在于它把两个语音系统放在同一个时间尺度上比较：打断、重叠、抢话、停顿，这些在单机演示里容易被忽略的互动，在双 AI 对话里会被放大。如果你只看单人演示，可能会以为模型只是在表演；当两个系统互相打断时，你才能看出它的节奏控制是不是真的在实时运转，还是事先排练好的独角戏。

但演示同样有它的边界。Block 挑选的片段当然会偏向成功案例；媒体在转述时也提到，个别演示里模型会出现小尴尬，比如把说话人认错。这些都不构成否定，真正的问题是：没有公开基准、没有独立评测、没有可复现的使用入口，公众无法知道这些成功片段在全部对话里占多大比例。更重要的是，演示里没有展示模型在知识性问题上的表现。Block 自己也承认，Dessa 的知识全部来自它听到的对话，这意味着它的事实性知识天然受限：它可能很会聊天，但未必很会查资料、算数或写代码。把“会说话”等同于“什么都懂”，是这轮报道里最容易滑过去的误读。

为什么是 Block，为什么是现在

做 Dessa 的团队规模很小。Block 说，这是一个由原多伦多深度学习创业公司 Dessa 的前成员创立的实验室，团队做生成式语音模型已经超过八年，直接向 Block 联合创始人兼负责人杰克·多西汇报。负责人是拉加万·图莱拉特南，他在公开帖子里把 Dessa 称为“语音的 GPT-3 时刻”。这个比喻要打折听：GPT-3 之所以成为时刻，是因为它很快就有了可验证的广泛用途，而 Dessa 目前还没有同等级别的外部验证。但这个小团队、大问题的组合，本身就说明了 Block 的意图：它不是在追逐一个现成的产品类别，而是在赌语音交互的下一层基础设施。

从商业角度看，Block 的算盘并不难理解。它的主业是 Square 这样的面向小商家的金融服务，语音早就出现在它的订单处理等场景里。一个能在本地设备上运行、不需要把每句话都发到云端、又能听出情绪的语音模型，理论上可以降低成本、缩短延迟，还能在网络不稳定的环境里工作。但这只是理论。Block 目前没有公布任何面向商家的产品计划，也没有说 Dessa 会不会进入 Square 的产品线。把研究预览直接等同于商业路线图，是另一处常见的误读。更准确的说法是：Block 先做了一个技术声明，商业落地是下一步才需要回答的问题。

时间点同样值得注意。Dessa 公开的同一时期，语音助手正在从“能听懂指令”向“能持续对话”演进，OpenAI 的 GPT-Live 是其中最常被拿来对照的例子。Block 的做法与这条主流路线形成对照：主流路线是在强大的文本模型外面接上语音能力，Dessa 则是反过来问，如果从一开始就不给模型文字，它能学会什么？这个对照本身就有价值，因为它把一个平时被默认的前提翻了出来：我们一直假设语音必须先变成文字才能被理解，但这个假设可能只是工程上的便利，而不是认知上的必然。Dessa 能不能证伪这个假设，还需要更多证据，但它至少让这个假设重新成为一个可以讨论的问题。

它没有证明什么：四条红线

第一，它没有证明“语音模型不需要文本”。它证明的是，在 Block 挑选的对话场景里，一个只从语音里学习的模型可以表现得非常自然。自然不等于通用。文本模型之所以强大，部分原因恰恰是文本承载了人类积累的大量结构化知识：数学、代码、法律、科学论文，这些东西很难只靠日常对话录音学到。Dessa 的知识边界目前没有被系统地测过，任何把它描述成“下一代通用模型”的说法都超出了证据。

第二，它没有证明“小算力就能复现”。一台 GB200 机架听起来比 frontier 集群小得多，但它仍然是一台顶级设备，而且 Block 没有公开训练数据的规模、时长和具体方法。其他团队能不能用类似资源复现，仍然是未知数。把“只用一台机架”读成“人人都能在家训一个”，是对这个数字的误读。

第三，它没有证明“本地运行等于隐私安全”。本地推理确实减少了音频上传到云端的必要，但模型本身、录音的存储、对话记录的处理、以及它在商家系统里的接入方式，都会重新引入隐私问题。更重要的是，一个能听出情绪、能模仿语气的模型，本身就带来了新的风险：它更容易让人放下戒心，也更容易被用来冒充真人。Block 把早期使用权交给安全研究员，恰恰说明它自己也认为这些风险需要先被研究，而不是先被默认不存在。

第四，它没有证明“最真实等于最好”。在很多场景里，用户并不需要一个听起来像真人的助手；他们需要的是一个能快速、准确、可预测地完成任务的工具。一个会在你说话时插话、会用叹气表达情绪的模型，在客服、医疗、金融这些对准确性和可追溯性要求很高的场景里，未必比一个冷静、简洁、每句话都有文字记录的系统更好。真实感是一种产品选择，不是普适的优点。

对 vibe 开发者真正有用的三点

第一，语音交互的设计要从“文字优先”改成“声音优先”。很多 vibe 项目做语音功能时，习惯先写好文字对话流程，再把文字交给合成器读出来。Dessa 提醒你，这种做法会系统性地丢掉信息：如果你的产品真的依赖语气、停顿和打断来传递意思，那就不能只在文字层设计对话，而要在音频层设计节奏、打断规则和情绪边界。更实际的做法是，先写清楚哪些对话环节允许被打断、哪些环节必须等用户说完、哪些情绪信号必须被明确回应，再去选技术方案，而不是反过来。

第二，披露与可追溯性要提前写进产品，而不是事后补。Dessa 的演示里有一个值得借鉴的细节：Block 明确标注了哪些录音是 AI 生成的、哪些对话的另一方是第三方模型。对 vibe 项目来说，这意味着三条硬规矩：用户必须能一眼分辨自己在和 AI 说话；关键操作不能只靠语音确认，必须有文字或按钮的二次确认；语音对话的关键结论要留下文字记录，不能只存在一段录音里。这些规矩不是给产品加负担，而是给它留证据。

第三，不要把演示当成选型依据。Dessa 目前没有公开评测，这恰恰是一个通用的教训：选语音方案时，要看的不是演示录音有多自然，而是它在你的场景里的失败模式。你可以先做一个小规模对照：同一批真实用户问题，分别走级联方案和语音直连方案，记录打断成功率、误打断率、情绪误读率和任务完成率。没有这些数字，任何“听起来更像人”的判断都只是审美判断，而不是工程判断。

与本站已发语音内容的划界

本站此前发过 Sesame 语音助手、微软语音三件套和 Simon Willison 的语音 vibe coding 实录，也发过一篇语音交互实战指南。那几篇的落点分别是产品更新、厂商技术栈、个人实录和选型方法。这篇的落点不同：它讨论的是一种训练范式，即模型能不能在完全不接触文字的情况下学会对话。Dessa 不是 Sesame 或微软产品的竞品报道，也不是语音交互指南的续篇；它是把“语音要不要先变成文字”这个前提重新摆上台面的证据。如果你已经读过本站的语音交互指南，可以把这篇当成它的反向注脚：指南告诉你如何在现有级联架构里把事情做对，这篇则提醒你，级联架构本身可能不是唯一答案。

结论：一个值得认真对待的问题，而不是一个现成的答案

Dessa 最值得记住的不是“最真实”这个形容词，而是它提出的问题：如果一个模型只靠听就能学会说话，那么我们过去把语音压成文字的做法，到底是在帮模型理解，还是在替它做决定？Block 目前给出的证据还不足以回答这个问题，但已经足够让这个问题变得具体：有现场录音、有训练方式的描述、有本地运行的说法，也有明确的安全研究员先行计划。接下来的关键验证只有三项：独立评测能不能复现演示里的自然度；模型在知识性任务上的边界到底在哪里；以及安全研究员会发现哪些实验室没有想到的问题。在这三项结果出来之前，对 Dessa 最诚实的态度是：认真对待它的提问，谨慎对待它的形容词。