Block 旗下 Dessa 团队公布了从人类对话音频从头训练的全双工语音模型，能一边说话一边继续聆听并生成情绪化回应，但尚处于研究展示阶段，关键技术细节、训练数据与安全评估仍不足，距离可广泛部署和可靠应用还有明显差距。
Block旗下Dessa研究团队公开了一款从人类对话音频中从头训练的全双工语音模型，试图让AI不仅听懂说了什么，也能处理语气、停顿和交谈时机。团队称，训练没有使用文本或预训练模型，模型能够一边说话、一边继续聆听。
这项研究至迟已于2026年10月23日公开：The Verge当天的报道介绍了Block的公告与演示。不过，截至10月24日，Dessa官方项目页展示的仍是研究成果和对话录音，并邀请少量AI安全研究者申请早期访问；页面底部仍提示上线链接即将公布。这不是一次已向公众全面开放的商业产品发布，也不能据此认定模型权重已经开放。
不先变成文字，声音还能留下什么？
Dessa团队提出的问题，是语音AI在理解语言之外，能否保留交流中的非文字信息。同一句话因重音、语速或迟疑而改变含义；笑声、叹息和声音颤抖，也可能比字面内容更能表达说话者的状态。
在“语音识别—文本模型—语音合成”的串联式系统中，单纯的文字转写很难完整保留这些线索。Dessa选择直接处理声音：音频输入、音频输出，并以全双工方式同时收听和发声。按照团队的描述，模型还会在交谈中插入“嗯”“明白了”等简短回应，而不是等对方完全说完才开始工作。
这里需要区分两个概念。全双工描述的是听与说如何同时进行；仅以人类语音从头训练，描述的是训练材料和模型起点。具备前者，并不自动意味着具备后者。AI Flux此前关于GPT-Live-1进入API的报道已经讨论了另一种全双工语音系统，因此Dessa此次更值得关注的是其宣称的纯语音学习路线，而不是把同时听说本身描述成首次出现。
团队将这一路线与婴儿通过聆听学习说话作类比，但这是一种研究动机的说明，并不证明模型与人类具有相同的学习机制。项目页提出的语言学习效率、新语言学习和上下文学习能力，也仍是有待研究的问题。
演示展示自然交谈，也暴露判断边界
官方页面列出电影讨论、生活建议、惊喜旅行，以及Dessa与GPT-Live-1交谈等录音。团队称，这些样本中的表达内容、发言时机、声音和个性由模型自行决定，没有人在对话中操控，字幕则是在录音后添加的。
根据页面说明，模型会在对话中途发笑，被要求提高音量时变得更响，也会以类似惊讶或哽咽的语气回应。这些例子说明团队希望展示怎样的交互能力，但其描述及样本选择来自开发方，不能替代独立评测。
The Verge的报道同时记录了演示中的不稳定之处：模型一开始将对话者误认成名叫“Ronaldo”的人，在讨论克里斯托弗·诺兰电影时，也意外转向布莱恩·辛格的《超人》电影。声音和交流节奏接近人类，并不等于身份识别、事实准确性和话题保持已经可靠。
与GPT-Live-1的对话也不能被当作两款模型的正式排名。官方页面明确说明，两种声音都由AI生成，GPT-Live-1的开发方与Block没有关联，也未审核或认可Dessa。没有统一任务、样本规模和评价方法，一段选取的交谈不足以证明某个模型整体更强。
“一套系统训练”不等于一块显卡
在硬件方面，团队称Dessa是在一套NVIDIA GB200 NVL72上训练完成的。这个说法容易因“一套”而被低估：英伟达的官方规格显示，GB200 NVL72是连接36颗Grace CPU与72颗Blackwell GPU的机架级液冷系统，并非单块消费级显卡。
因此，这项披露说明的是团队所称的训练硬件规模，而不是训练成本。缺少训练时长、数据量、利用率及其他实验投入，无法仅凭设备数量判断完整研发费用，或与其他模型作公平的效率比较。
团队还称，Dessa可以在搭载M4 Max或更高配置的MacBook Pro上本地运行，推理速度快于实时。但项目页没有给出足以复现这项说法的内存配置、模型参数量、量化方式和精确响应延迟。能够在某种硬件上运行，与在不同设备和复杂对话环境中稳定提供低延迟服务，是不同层次的问题。
页面亦称，其学习语言所需的词数比大语言模型少数百倍，但没有列出比较对象、训练语料统计及评估条件。这一说法目前应视为团队自述，不能据此认定纯语音训练整体上比文本训练更高效，或拥有同等知识覆盖。
会表达情绪，不代表已理解风险
Dessa团队将好奇心、改善人机理解和安全列为研究动机。其举例说，如果用户处于严重痛苦之中，而语音AI无法察觉，仍按原有节奏继续交谈，就可能造成问题。团队希望模型更好地利用声音中的情绪线索。
但辨认某种语气、生成富有感情的回答，以及在高风险情境中作出正确判断，不能画上等号。官方演示中类似同理心的表达，不证明模型具有真实情感，也不证明它能够可靠地识别危机、提供医疗建议或承担心理支持职责。
团队目前邀请少量AI安全研究者提前访问，目的正是发现开发者未预料的风险。这一安排体现了研究阶段的探索性质，而不是已经完成外部安全认证。训练音频的具体来源、授权与同意机制、覆盖的语言及人群，以及系统性安全测试结果，在当前项目页中也没有得到足够披露。
这次公开让外界看到了一个明确的研究方向：不把声音仅仅当作文字的入口，而将交谈节奏与声学表达本身作为学习对象。不过，决定Dessa能走多远的证据，还需要来自更完整的技术披露、可复现测试和外部研究。现阶段，最准确的定位仍是一项公开展示、寻求有限安全研究访问的语音模型研究，而不是已经验证可靠、可直接部署的通用语音助手。