语音 AI 长期被一个问题困扰：它听得见你说什么，却听不见你怎么说。把声音转成文字、再让语言模型生成回复、最后用 TTS 读出来，这条流水线丢掉了语调、停顿和情绪，也让对话听起来像在跟客服机器人念稿。Block 研究实验室新发布的 Dessa，试图从架构上绕开这条流水线。
事件背景：为什么“像人”这么难
主流语音产品依赖文本中转。用户说话被识别成文字，情绪信息在这一步大量流失；模型生成文字回复后，再由语音合成模块加标签、调参数来“表演”情绪。ElevenLabs、Fish Audio 等产品常用语音标签驱动情感，效果取决于标签写得准不准，也容易在长对话中露出机械感。
Block 在技术说明中直言，当前语音 AI 的体验“可能相当糟糕”，把声音降维成文本不仅体验差，还存在潜在风险——一个听不出你情绪的 AI，很难判断该安慰还是该追问。
核心信息：Dessa 的三个关键特征
其一，纯语音训练。 Dessa 完全基于人类语音数据训练，不走“文本驱动语音”的路径。Block 称情绪是模型内建的能力，而非外挂标签。官方演示中，模型谈到工作疲惫时语气随之低沉，谈到被照顾的感受时声音接近哽咽，还出现了笑声与自然停顿。
其二，全双工。 模型可以边听边说，支持打断与即时回应，交互形态接近真人通话，而非对讲机式的轮流发言。这与 OpenAI 今年早前推出的 GPT-Live 属于同一技术方向。
其三，端侧可跑。 Block 表示 Dessa 可在 MacBook M4 Max 或更高配置的消费级设备上本地运行，训练则依托单套 NVIDIA GPU 机架完成。团队内部有人将其称为语音领域的“GPT-3 时刻”——意指规模与范式同时跨过门槛。
需要明确的是，Dessa 目前没有公开访问入口。Block 已向安全研究人员发出测试邀请，重点之一应是评估语音代理被用于冒充、诱导他人的风险。此外，模型的知识来自其对话数据本身，而非外接大语言模型，这意味着它更像一个“会聊天的声音”，而不是全能问答助手。
| 维度 | 传统语音助手 | Dessa |
| 处理路径 | 语音→文本→语音 | 语音→语音 |
| 情绪来源 | 标签与参数调节 | 模型内建 |
| 交互方式 | 轮流发言 | 全双工，可打断 |
| 部署位置 | 云端为主 | 消费级设备本地 |
| 知识来源 | 外接大模型 | 对话数据 |
影响分析：端侧语音会改变什么
对 Block 而言，这一步与其业务高度契合。旗下 Square 已在点餐场景使用语音 AI，若模型能在本地低成本运行，支付、点单、小微商户客服等场景的边际成本会显著下降，响应延迟和隐私顾虑也同步减少。语音一旦具备情绪表达力，商户与顾客之间的自动化交互就不再只是“能用”，而可能变得“愿意用”。
对行业而言，纯语音训练路线提出了一个值得关注的命题：语言模型的知识能力与语音的自然度，是否必须捆绑在同一条流水线上？Dessa 选择了牺牲通用知识换取交互质感，这条路线若被验证，语音赛道的竞争焦点将从“识别准确率”转向“对话可信度”。
风险同样清晰。能模拟疲惫、哽咽甚至哭泣的声音，在诈骗、情感操纵、身份伪造场景中的破坏力远超文本。Block 限制访问、优先邀请安全研究者，是必要的谨慎，但开放之后的滥用边界仍需行业共同划定。
行动建议
- 开发者：关注 Block 的安全测试计划与研究发布，评估端侧全双工模型在客服、陪伴、无障碍场景的可行性，提前设计打断处理与情绪误判的兜底逻辑。
- 企业采购方：在选型时把“情绪是否内建”与“能否本地部署”纳入评估维度，而不仅比较语音自然度 demo。
- 安全与合规团队：着手建立合成语音的检测与告知机制，对涉及身份验证、金融操作的语音通道增加二次确认。
- 普通用户：对“过于像人”的来电保持警惕，涉及转账、验证码的语音请求一律通过独立渠道回拨确认。
Dessa 尚未开放，但它指出的方向已经明确：语音 AI 的下一站，不是说得更准，而是听得更懂。想跟进后续测试与开放进展，可访问 AI Explorer 联系页面。