示範錄音裡，人還沒把句子講完，模型就在句中間笑出聲。官方頁寫：別家模型會等你說完，再按節點補一聲笑；Dessa 是自己決定何時開口、用什麼聲音、帶什麼情緒。下一段示範裡，它把對方認成「Ronaldo」，又在講克里斯多福·諾蘭電影時岔去布萊恩·辛格的超人片。The Verge 聽完這批錄音，標題直接寫成「像一個有點尷尬的新朋友」。
Block 在官方頁把產品定義寫死：Dessa 是真正的語音進、語音出模型，從頭只用真人對話聲音訓練，沒有文字、沒有預訓練底模。據他們所知，這是世界上第一個可以進行逼真即時對話、而且訓練資料只有人類語音的 AI。它是全雙工，邊聽邊說，學會在該插嘴時插嘴，也會用「yeah」「got it」「ooh」這類附和聲表示自己還在。官方寫 推理 比即時還快，沒有那種等回覆的空檔；本機可跑 MacBook Pro M4 Max 或更好的機器。訓練只動用一櫃 NVIDIA GB200 NVL72。
同一頁沒有寫的清單同樣長：參數規模、基準分數、API、每分鐘價格、權重、訓練音檔時數、支援語言、M4 Max 要多少統一記憶體、延遲毫秒數、上市日。研究預覽現在只給一小群 AI 安全研究員。公開能聽的，仍是公司自己放的現場錄音，不是第三方測評。
官方頁寫出來的，幾乎全是聲音，沒有規格表
Jack Dorsey 在自己帳號轉發官方頁，說語音是與智慧互動最自然的方式，Dessa 是他們做過最像真人的全雙工語音模型。他另外補一句：這件事很大，模型卻很小，小到能跑在你的 MacBook 上。Dessa 負責人 Ragavan Thurairatnam 把這次發布比成語音領域的 GPT-3 時刻，並強調能在消費級硬體上跑。官方頁把團隊定位寫成 Block 裡一個很小的 深度學習 實驗室，成員來自 2020 年被 Square 收購的多倫多新創 Dessa，直接向 Dorsey 負責。研究員名單公開了：Louay Hazami、Hashiam Kadhim、Qi (Alex) Liu、Rayhane Mama、Aydin Polat、Marc Tyndel，外加幾名實習生。對外聯絡信箱是 [email protected]。
公司對現有語音 AI 的批評寫得很衝：多數產品先把你的聲音轉成文字，文字承載不了的資訊就被丟掉；世上最強的模型聽不到你的感覺。他們認為這不只體驗差，還可能危險。官方示範宣稱沒人在背後操控：Dessa 自己選要說什麼、何時說、怎麼說，連聲音與個性也是它自己的。字幕是事後加上去的。示範裡有人讓它講大聲一點，它就把音量拉高；有人講到紀念日驚喜，它先小聲倒抽一口氣說「oh my god」，再答得像含著淚道謝；有人講到工作累了，它跟著把聲音放疲。官方還放了一段 Dessa 與 OpenAI GPT-Live-1 互聊，兩邊都是合成嗓，並註明 GPT-Live-1 開發者沒有審過、也沒有背書。
為什麼要做？官方給三個理由：好奇（也寫成好玩）、想讓人與 AI 更懂彼此、以及安全。他們用嬰兒學說話從不先看字當比喻，想驗證模型能不能也這樣。語音被寫成通往任何智慧最自然的介面；今天的語音產品把話壓成文字，跟不上人類的時間感。官方舉的安全例子是：人痛到不行，語音助手卻毫無所覺、繼續往下講。Dessa 被說成朝這個方向走的一步。
安全研究員被單獨喊進最後一段。官方承認，一個只靠聲音學會說話的模型是新領地，他們要外面的眼睛找出自己還沒想到的風險。申請入口就是聯絡信箱，沒有公開等候名單頁、也沒有審核標準。
一櫃 72 張 Blackwell，不是一張消費卡
TechCrunch 把訓練硬體寫成「一張 NVIDIA GPU」。官方原文是 one NVIDIA GB200 NVL72。NVIDIA 產品頁把 GB200 NVL72 定義成液冷機櫃：36 顆 Grace CPU、72 張 Blackwell GPU，NVLink 域當單一巨卡用，GPU 記憶體合計 13.4 TB HBM3E，NVLink 頻寬 130 TB／秒。這不是筆電獨顯，也不是一張消費級顯示卡。Block 能拿「只動一櫃」當效率宣傳，是因為前沿 大型語言模型 的訓練常常要跨許多機櫃；它沒有把這櫃機器的租金、電費、訓練週期或資料量寫出來。
官方對資料效率的說法是：LLM 需要海量文字，Dessa 學語言用的詞量少了數百倍；括號裡他們自己補刀，說公平起見，LLM 還得學會 C++ 跟 Angular 這類東西。語音還要另學口音、停頓、呼吸、諷刺、幽默、語調、情緒、何時插嘴。同一句「I didn’t say she stole my CUDA code」重音放在不同字上，意思全變。語音幾乎從不重複：同一句話講兩次，波形仍不一樣；文字不管誰打，位元都相同。一個口說詞佔的位元組，比同一個詞的文字多上千倍。官方把這組困難寫完，收在「我們還是做到了，而且只拿一櫃 GB200 NVL72」。
這段裡沒有可核對的資料卡。音檔總時數、說話者人數、語言分布、有沒有電話錄音、有沒有客服語料、授權來源，全部空白。少了數百倍「詞」也不等於少了數百倍位元組：語音的位元密度本來就高。沒有參數表，也無法判斷本機那份權重是幾十億還是幾百億，更無法判斷 M4 Max 是硬塞進 36 GB 還是 128 GB 統一記憶體。Ragavan 對外說能跑在消費級 GPU，官方頁只保證 MacBook Pro M4 Max 或更好；兩句話指向的硬體區間並不完全重疊。
上面三條路不是同一代產品的完整對照，只是把官方自己畫的界線攤開。中間那條是 OpenAI 已經賣的架構：語音層自己聽、自己說，難題再委派給後端文字模型。右邊那條是 Dessa 的主張：訓練階段就沒有文字，知識也來自對話聲音。左邊那條是現在多數客服電話仍在用的 語音辨識 加大型語言模型加 文字轉語音。官方沒有說 Dessa 能不能把難題丟給另一個模型，也沒有說它有沒有工具呼叫。缺這兩項，它目前比較像一張會聊天的嘴，不像一顆可接業務系統的智能體。
本機跑 M4 Max，公開證據仍是公司錄音
「比即時還快」加上「本機跑」是這次最容易被拿去對雲端語音帳單的兩句話。M4 Max 不是入門筆電。Apple 這顆晶片的高配統一記憶體可到 128 GB，記憶體頻寬約 546 GB／秒，本機跑 70B 級 4-bit 文字模型大致還進得去；那是文字 推理 的公開測例，不是語音全雙工的測例。Block 沒寫 Dessa 權重要佔多少記憶體，也沒寫 14 吋還是 16 吋、64 GB 還是 128 GB 才算「或更好」。把「能跑在 MacBook」讀成「能跑在一般筆電」，會把門檻讀低一截。
本機這件事對 本地 AI 與邊緣 AI 的意義很直接：音訊不用出機，帳單不用按分鐘給雲端，電話詐騙場景裡也少了一個可被平台切斷的伺服器開關。Block 自己的支付生意剛好站在這條線上。TechCrunch 點出 Square 已經用語音 AI 處理點餐；若未來換成自己的裝置端模型，小商家點餐、櫃台與客服的邊際成本會從「每通雲端分鐘費」改成「一次把模型裝進店內機器」。這是商業動機，不是已宣布的產品時程。官方沒有把 Dessa 接到 Square、Cash App、Bitkey 或任何現有 App，也沒有給開發者端點。
獨立驗證目前是零。CoinDesk 寫明：音檔仍是公司示範，不是獨立測試；參數、基準、公開發布日都沒披露。The Verge 聽到的是自然來回裡夾雜認錯人、跑題、情緒過滿。THE DECODER 把這條線接到更早的情緒語音嘗試：Hume 的 EVI、Kyutai 的 Moshi、LAION 的 Open Empathic，以及 OpenAI 在 ChatGPT 進階語音模式上做過的語調與停頓改進。他們的判斷很硬：聽起來有情緒，不等於真的有情緒，也不等於真的更聰明；對進階語音 AI 來說，邊回邊推理的能力，比嗓音自然更影響答案品質。Dessa 官方示範證明了「聽起來像人」這件事至少在自家錄音裡成立；它沒有證明在吵雜街道、多語切換、長時間任務、或需要查資料時也成立。
全雙工這層，別家已經把價目表貼出來
全雙工不是新詞。OpenAI 的 GPT-Live-1 已在 API 上賣：語音會話每分鐘 0.05 美元、按秒計、不進位到整分；後端模型與工具另計。官方評測寫，Full Duplex Bench 比 GPT-Realtime-2.1 高 30 個百分點；配 GPT-6 Astra（中等推理力）在 Tau3 語音智能體任務拿第一。它明確做電話場景，也明確把聽與說收成單一模型，避免串接語音辨識、文字模型、文字轉語音時把節奏打斷。早期客戶 Speak 測過，思考停頓時被插嘴的次數比舊的輪流制少了將近八成。
雲端語音這條線上，站內已經記過另外兩張價目。Grok Voice 3.0 進 Voice Agent API 時，獨立榜 86.9，價格仍是每分鐘 0.08 美元。Gemini 3.8 Live 語音代理的音訊價是輸入每分鐘 0.005 美元、輸出每分鐘 0.018 美元，官方 Speech-to-Speech 82.6，當時寫成超過 GPT-Live-1。這三套都有端點、都有帳單、都可以讓開發者今天就接進產品。Dessa 這一欄全是空白。
| 項目 | Block Dessa | OpenAI GPT-Live-1 | xAI Grok Voice 3.0 | Google Gemini 3.8 Live |
|---|---|---|---|---|
| 訓練資料主張 | 只用真人語音，無文字、無預訓練底模 | 未以「無文字訓練」作為賣點；語音層可委派後端文字模型 | 語音代理 API，非「無文字訓練」 | 語音代理，非「無文字訓練」 |
| 全雙工 | 官方宣稱，邊聽邊說 | 官方宣稱，API 已賣 | 語音代理 API | 語音代理已上線 |
| 本機 | MacBook Pro M4 Max 或更好 | 雲端會話 | 雲端 API | 雲端 |
| 公開價格 | 未公布 | 語音層 0.05 美元／分鐘，後端另計 | 0.08 美元／分鐘 | 輸入 0.005、輸出 0.018 美元／分鐘 |
| 獨立分數 | 無 | 官方 Full Duplex Bench 相對前代 +30 百分點；Tau3 配 Astra 稱第一 | 獨立榜 86.9；τ-Voice 仍輸 Astra | 官方 Speech-to-Speech 82.6 |
| 權重／API | 皆無 | API 有，權重無 | API 有 | API 有 |
| 現在誰能用 | 一小群安全研究員 | 付費 API 客戶 | API 客戶 | 已上線的語音代理用戶 |
表格只對得上「有沒有全雙工、錢怎麼收、能不能買」。Dessa 若真的把文字從訓練裡拿掉，它在多模態地圖上佔的是另一格：訓練階段沒看過字的對話模型，跟「先聽懂再交給文字模型」走的是不同產品線。官方自己問的研究題也停在這格：相對文字，聲音學語言與事實的效率如何？學新語言有多快？能做哪種上下文學習？這些問題現在沒有數字答案。若之後評測顯示它講得很像人、但事實密度明顯低於同算力文字模型，那會符合「訓練語料少了數百倍詞、也沒學過程式與文件」這條官方自己埋的但書，也會讓幻覺在口語場景裡更難被聽的人抓到——因為語氣愈像人，聽的人愈少去核對內容。
開發者現在能做的事很具體：GPT-Live-1 可以用提示詞調語氣、節奏與風格，也可以把難題丟給 Astra 或 Luna；Dessa 還沒有讓你改系統提示的入口。本機語音生成這條較舊的線，站內寫過口袋 TTS 把本地語音從雲端替代品變成新入口，那是合成層。Dessa 若真照官方定義落地，比 TTS 多出來的是聽、是插嘴、是把情緒當輸入而不是當標籤。TechCrunch 特別寫了一句還沒被官方回答的話：ElevenLabs、Fish Audio 這類系統常用語音標籤驅動情緒；Block 宣稱情緒長在模型裡，但不清楚情緒是不是仍被某種標籤在推。
聽起來像人的同一副嗓，安全實驗室與詐騙電話都會搶
社群反應在發布後幾個小時就分成兩堆。有人說從沒聽過這麼像人的合成聲音，有人直接講科幻。幣安創辦人趙長鵬想到的是兒童教育：現有「AI 嗓」教小孩很別扭，這種自然對話可能適合他的 GiggleAcademy。導演 Justine Bateman 問的是反面：為什麼 AI 聲音一定要像人，這樣不就是讓人放下戒心。記者 Shiv Aroor 的判斷更短：詐騙電話要大流行了。
這兩種反應其實踩在同一項能力上。官方把安全寫成「聽得出痛苦與情緒、避免助手在人難受時繼續講」；外部把安全寫成「聽不出來對面是機器，於是轉帳、驗證碼、授權都會過」。Block 沒有公布抗仿冒、聲紋浮水印、或強制聲明「你正在跟合成聲音說話」的機制。研究預覽先開給安全研究員，說明團隊自己也把第二種風險排進未知項。本機權重若未來真的放出，平台無法像關雲端端點那樣一鍵停掉；這對本地 AI 使用者是優點，對電話詐騙防禦是缺口。
支付公司做這件事，還有一層比較不像研究海報的動機。Square 的點餐語音已經在店裡跑。裝置端全雙工若能穩定接單、聽懂不耐煩、在客人插嘴時改單，省下的是雲端分鐘費與誤轉寫。這條路要成立，至少還缺官方現在沒給的東西：工具呼叫、菜單與庫存介面、可重複的延遲數字、以及在油煙機與收銀鈴聲裡仍能對答的獨立錄音。沒有這些，Dessa 仍停在展示層。
現在能動手的人只有安全研究員。申請信寄出去之前，沒有公開評測包、沒有紅隊題庫、也沒有「聽完這 50 段錄音請標出是否為機器」的共用基準。買家這邊更乾脆：沒有價目、沒有權重、沒有 SLA。若這套模型之後要以 API 或裝置授權進場，需要補齊的不是更多示範笑聲，而是參數規模、在哪一檔 M4 Max 上的記憶體與延遲、有沒有工具層、訓練音檔時數與授權、以及一段不是公司自己剪的全雙工對照測試。在那之前，Dessa 證明的是支付公司裡一個小實驗室，能用一櫃 GB200 NVL72 訓練出聽起來會中途發笑的嗓子；它還沒證明這副嗓子能進商店、進電話、或進任何人現在付得起的帳單。