Blocks Dessa wurde ausschließlich auf Sprache trainiert – was die Demos nicht beweisen

Block hat mehr als ein Dutzend Gesprächsaufnahmen veröffentlicht und keine einzige Benchmark-Zahl. Dieses Verhältnis ist das Aussagekräftigste an Dessa, dem Full-Duplex-Sprachmodell, das Jack Dorseys Unternehmen am 23. Oktober 2026 angekündigt hat. Dessa wird von Grund auf mit menschlichen Gesprächen trainiert, ohne Text und ohne vortrainierte Modelle, und es tut etwas wirklich Ungewöhnliches: Es hört zu und spricht gleichzeitig, Audio rein und Audio raus, ohne Transkriptionsschritt dazwischen. Außerdem ist es zum Zeitpunkt dieses Textes eine Forschungsvorschau hinter einer Warteliste – ohne Parameteranzahl, ohne API, ohne Preis, ohne Gewichte und ohne veröffentlichte Evaluation. Die Demos sind die gesamte öffentliche Beweisgrundlage.

Das macht die Ankündigung nicht leer. Ein Sprachmodell, das Sprache ohne Textkorpus lernt, greift eine Annahme an, die der Großteil der Branche nicht mehr hinterfragt – dass Text der Ort ist, an dem das Wissen lebt, und Sprache eine dünne Schnittstelle darüber. Doch die Lücke zwischen „die Demos sind verblüffend“ und „wir wissen, was dieses Modell kann“ ist groß, und Blocks eigene Seite ist in Bezug auf diese Lücke offener als die meisten Launch-Beiträge. Der Satz, der am meisten leistet, ist vier Wörter lang: „so weit wir wissen“.

Was Block tatsächlich auf die Seite gestellt hat

Lässt man die Adjektive weg, ist die bestätigte Bilanz kurz. Alles unten stammt aus Blocks eigener Ankündigung oder den öffentlichen Aussagen des Unternehmens; nichts davon wurde unabhängig überprüft.

• Veröffentlichung — am 23. Oktober 2026 als Forschungsvorschau angekündigt, nicht als allgemein verfügbares Produkt.

• Form — durchgängig Sprache-zu-Sprache: Audio rein, Audio raus, Vollduplex, ohne Textzwischenschritt.

• Training – von Grund auf ausschließlich mit menschlicher Konversation. Block zufolge wurden keine Textdaten und keine vortrainierten Modelle verwendet.

• Compute — laut dem Unternehmen lief das Training auf einem einzelnen NVIDIA GB200 NVL72-Rack.

• Lokale Inferenz — Block behauptet, dass sie auf einem MacBook Pro M4 Max „oder besser“ schneller als in Echtzeit läuft.

• Zugang — Vorabzugang für „eine kleine Gruppe von KI-Sicherheitsforschenden“, die sich mit einer institutionellen E-Mail-Adresse bewerben, dazu eine öffentliche Warteliste. Auf der Seite heißt es, Launch-Links seien in Kürze verfügbar.

• Fehlend — Parameteranzahl, Kontextlänge, Datensatzgröße oder Stunden an Audio, Trainingsdauer, Latenz in Millisekunden, Benchmark-Ergebnisse, Lizenz, Preis, Gewichte und jegliche API-Dokumentation.

Das Team ist eine kleine Forschungsgruppe innerhalb von Block, geleitet von Ragavan Thurairatnam, aufgebaut um ehemalige Mitglieder des Torontoer Start-ups Dessa, das Block 2020 übernommen hat, und es berichtet direkt an Dorsey. Diese Herkunft ist wichtig für die Einordnung der Ankündigung: Es handelt sich um ein Labor mit einer achtjährigen Geschichte im Bereich generative Sprachtechnologie, nicht um ein Zahlungsunternehmen, das eine Demo an eine Produkt-Roadmap anflanscht. Das erklärt auch, warum die Veröffentlichung eher wie ein Forschungsartefakt als wie ein Produktlaunch wirkt – weil sie genau das ist.

Vollduplex ist der Teil, der es wert ist, verstanden zu werden.

Die meisten Sprachassistenten funktionieren wie ein Walkie-Talkie. Das System wartet, bis Sie aufhören, entscheidet, dass Sie fertig sind, transkribiert, denkt nach, synthetisiert eine Antwort und spielt sie ab. Jede dieser Grenzen ist hörbar. Sie lernen, auf den Piepton zu warten, und das Modell lernt nichts aus der halben Sekunde, in der Sie gerade sprechen wollten, es sich aber anders überlegt haben.

Vollduplex ist das Modell des Telefonanrufs. Das Modell hört zu, während es spricht, sodass es mitten im Satz unterbrochen werden kann, „ja“ oder „verstanden“ einwerfen kann, während man spricht, und sein Timing an das eigene anpassen kann. Blocks Demos stützen sich stark darauf: Dessa lacht mitten im eigenen Satz, wird auf Aufforderung lauter, ergänzt einen Filmtitel, den der Sprecher vergessen hat, und schnappt bei einer Enthüllung zum Jahrestag nach Luft. The Verge, das dieselben Clips gehört hat, beschrieb die Gespräche als „ein wenig unbeholfen und unheimlich“ und hob eines hervor, in dem Dessa den Gesprächspartner „Ronaldo“ nennt.

Beide Reaktionen können zutreffen. Full-Duplex ist eine Eigenschaft der Interaktion, keine der Intelligenz. Ein Modell kann perfekte Gesprächswechsel beherrschen und nichts Interessantes zu sagen haben oder eine brillante Antwort mit dem Timing eines Faxgeräts liefern. Was die Demos belegen, ist, dass Block etwas gebaut hat, das sich wie ein Teilnehmer verhält. Was sie nicht belegen können, ist, wie oft es sich so verhält, wenn niemand den Ausschnitt auswählt.

Was Training ausschließlich mit Sprache bringt – und was es kostet

Das Argument für ein ausschließlich auf Sprache basierendes Training ist, dass Text fast alles wegwirft, was ein Gespräch transportiert. Ein Transkript von „gut“ ist ein einziges Wort. Die Audioaufnahme ist ein Seufzen, eine Pause, ein Abfall der Tonhöhe und eine Entscheidung darüber, ob man noch einmal nachfragen sollte. Blocks erklärtes Sicherheitsmotiv folgt daraus: Ein Sprachsystem, das Not nicht hören kann, ist taub für genau das Signal, das in einem Supportanruf oder bei einer Krisenhotline zählt.

Die Kosten sind ebenso struktureller Natur. Große Sprachmodelle beziehen ihre Faktenabdeckung, ihren Code, ihre strukturierten Ausgaben und ihr Tool-Calling aus Text. Ein Modell, das ausschließlich auf gesprochener Sprache trainiert wurde, hat keine native Schnittstelle für ein PDF, ein JSON-Schema oder einen API-Aufruf. Block räumt auf der eigenen Seite die offenen Fragen ein: wie effizient ein ausschließlich auf gesprochener Sprache trainiertes Modell Fakten und Sprachen im Vergleich zu einem Textmodell lernt und ob In-Context-Learning ohne Text-Pretraining überlebt. Das sind keine Fußnoten. Sie sind der Unterschied zwischen einem überzeugenden Konversationsagenten und einem Allzweckassistenten.

Es gibt eine vertretbare Position in der Mitte: Ein sprachnatives Modell muss Ihre Tabellenkalkulation nicht lesen, wenn es mit etwas gekoppelt ist, das dies tut. Aber das ist ein Architekturargument, das Block noch nicht vorgebracht hat, und die aktuelle Vorschau bietet keine Schnittstelle, über die eine solche Kopplung stattfinden könnte.

Die Evidenzbasis ist ein kuratiertes Demo-Reel.

Block sagt, die Clips seien Liveaufnahmen, niemand steuere das Modell, und die Untertitel seien nachträglich hinzugefügt worden. Das sind gute Praktiken, und sie schließen die gröbste Form von Demo-Betrug aus. Sie schließen Selektion nicht aus. Ein Team, das viele Gespräche aufzeichnet und die besten davon veröffentlicht, hat Ihnen damit gesagt, dass es gute Gespräche gibt – was nicht dieselbe Behauptung ist wie „dieses Modell ist zuverlässig“.

Was eine unabhängige Bewertung bräuchte, ist konkret und sollte jetzt festgehalten werden, damit die nächste Ankündigung daran gemessen werden kann:

• Ein zurückgehaltenes Konversations-Set mit veröffentlichten Prompts, keine ausgewählten Highlights.

• Antwortlatenz durchgängig gemessen – einschließlich der Zeit bis zur ersten hörbaren Reaktion, nicht nur „schneller als Echtzeit“.

• Wiederaufnahme nach Unterbrechung: wie oft das Modell nach einer Unterbrechung den Faden verliert und wie schnell es wieder einsteigt.

• Verständlichkeit unter Lärm – der Bereich, in dem Sprachsysteme normalerweise zuerst versagen.

• Ein angegebenes Rechen- und Datenbudget, damit die Behauptung „hunderte Male weniger Wörter“ an etwas überprüft werden kann.

• Ein gewisses Maß an Faktenbewahrung, da genau das der ausdrückliche Kompromiss beim Weglassen von Text ist.

Nichts davon existiert bisher. Das ist normal für eine Vorschau und ungewöhnlich für einen Launch, weshalb die korrekte Bezeichnung für Dessa heute „Forschungsergebnis mit einer ungewöhnlich guten Demo-Seite“ lautet.

Die Hardware-Behauptung ist die leise.

Auf der Seite stehen zwei Hardware-Zahlen, und keine von beiden wurde überprüft. Die erste ist, dass für das Training ein einziger GB200 NVL72 verwendet wurde – ein einzelnes Rack mit 72 Blackwell-GPUs. Wenn das stimmt, ist es eine bemerkenswerte Aussage zur Dateneffizienz: ein Modell, das ein Gespräch führen kann, trainiert auf einem einzigen Rack, in einem Feld, in dem Frontier-Textmodelle auf Zehntausenden von Beschleunigern trainiert werden. Es ist außerdem die Art von Aussage, die vollständig vom Maßstab abhängt: ein Rack für wie lange, auf wie vielen Stunden Audio, mit wie vielen Parametern?

Das Zweite ist, dass die Inferenz auf einem MacBook Pro M4 Max schneller als in Echtzeit läuft. Ein M4 Max der Spitzenklasse verfügt über 128 GB gemeinsamen Speicher, sodass ein Modell, das dort bequem hineinpasst, nach heutigen Maßstäben nicht enorm ist. Das ist eine Schlussfolgerung, keine Offenlegung. Block hat weder die Größe noch die Quantisierung, den Speicherbedarf oder die Tokens-pro-Sekunde-Zahl veröffentlicht, daher lässt sich die Laptop-Behauptung nicht reproduzieren, nur wiederholen.

Hier müsste ein technisch versierter Leser das Fehlen am deutlichsten spüren. Alles zur Praktikabilität des Modells – Kosten pro Konversation, ob es auf einem Telefon laufen kann, ob eine API jemals günstig sein könnte – ergibt sich aus einer Zahl, die Block bewusst nicht veröffentlicht hat.

Warum der Zugriff beschränkt ist und warum das für die Evaluierung wichtig ist

Die von Block genannten Gründe für die Entwicklung von Dessa sind Neugier, ein besseres Verständnis der Mensch-KI-Interaktion und Sicherheit. Die Zugangsbeschränkung passt zum dritten Grund: Eine Stimme, die Emotionen erkennt und überzeugend Konversation führt, ist ein fertiges Werkzeug zur Identitätsnachahmung, und der schnellste Weg, eine schlechte Schlagzeile zu vermeiden, ist, sie in einem kleinen Raum zu halten.

Der Zielkonflikt besteht darin, dass zugangsbeschränkter Zugang und unabhängige Bewertung in entgegengesetzte Richtungen ziehen. Eine kleine Gruppe von Sicherheitsforschenden mag durchaus die nützlichsten Red-Team-Ergebnisse liefern, doch diese Ergebnisse werden nach Blocks Zeitplan eintreffen und in den meisten Fällen unter Blocks Prüfung stehen. Bis eine externe Gruppe Zahlen veröffentlicht, besteht die öffentliche Informationslage aus den Clips des Anbieters plus den Eindrücken von Journalisten von den Clips des Anbieters. Das ist eine schwache Grundlage für die Formulierung „übertrifft alles andere im emotionalen Ausdruck“, eine Aussage über einen Vergleich, den niemand durchgeführt hat.

Was würde daraus ein Produkt machen?

Vier Dinge, in etwa nach Wichtigkeit geordnet. Eine Preisangabe oder eine Gewichtsdatei, denn beides sagt dir, wer es nutzen kann. Eine API oder ein SDK, denn ein Modell, das man nicht aufrufen kann, ist nur Papier. Ein Benchmark oder eine unabhängige Evaluierung, denn „am authentischsten“ ist keine Metrik. Und eine Latenzangabe in Millisekunden, denn der ganze Wert von Vollduplex liegt im Timing, und Timing ist das Einzige, was ein Videoclip nicht vermitteln kann.

Jedes Einzelne davon würde ändern, wie dieser Artikel gelesen werden sollte. Alle vier würden daraus einen Launch machen.

Falls Sie bis dahin einen Sprachagenten benötigen

Der praktische Stack für einen produktiven Voice-Agent ist nach wie vor Spracherkennung, dann ein Sprachmodell und dann Sprachsynthese. Jeder Schritt erhöht die Latenz, und jeder Anbieter ist ein eigener Vertrag. OrcaRouter ist die mittlere Schicht: eine API vor über 200 Modellen, mit 0 % Aufschlag – der Listenpreis des Anbieters wird durchgereicht – automatischem Failover zwischen Anbietern, einer Routing-DSL, mit der sich mehrere Modelle zu einem Aufruf zusammenfassen lassen, und Modellfusion, wenn Sie ein Panel von Modellen gemeinsam antworten lassen möchten. Das macht aus einem Walkie-Talkie noch kein Telefonat; es entfernt eine Integration aus der Kette, während die Duplex-Modelle ausreifen.

Um es ausdrücklich zu sagen, was wir nicht haben: Dessa ist nicht im OrcaRouter-Katalog, und nichts in diesem Artikel sollte als Angebot verstanden werden, es zu betreiben. Wenn Block eine API veröffentlicht, ist die Routing-Schicht der Ort, an dem sich ein Modell wie dieses eher am Preis pro Gesprächsminute als pro Token vergleichen ließe.

Was zu sehen

Die Behauptung, die man ernst nehmen sollte, ist nicht „Erster“. Sie lautet, dass Sprache möglicherweise aus gesprochener Sprache mit hundertfach weniger Daten erlernbar ist und dass das resultierende Modell ein Gespräch auf eine Weise verstehen könnte, wie es ein Transkript nie könnte. Wenn Block ein Paper mit dem Datenbudget, der Parameteranzahl und einer Held-out-Evaluation veröffentlicht, wird diese Behauptung testbar. Wenn die nächste Ankündigung wieder eine Sammlung von Clips ist, bleibt die interessante Frage offen — und die Warteliste bleibt die einzige Tür.