Dessa Voice Model: מהו למעשה ה-AI הדיבור-בלבד של Block, והיכן הוא משתלב בסוכן קולי

"Dessa voice model" הוא דבר סביר לחפש ומשהו שקשה למצוא, כי Block לא השיקה כזה. מה שהחברה הכריזה עליו ב-23 באוקטובר 2026 הוא תצוגה מקדימה מחקרית של Dessa, מודל דיבור-לדיבור בדופלקס מלא שאומן מאפס על שיחה אנושית — ללא קורפוס טקסט, ללא מודל שפה מאומן מראש, אודיו נכנס ואודיו יוצא וכלום באמצע. אין API, אין מחיר, אין קובץ משקלים, אין בנצ'מרק, ואין מספר פרמטרים. יש גם התנגשות שמות שכדאי להבהיר קודם: הזמרת Dessa מופיעה באותן תוצאות חיפוש, ושם המודל מגיע מסטארט-אפ למחקר דיבור מטורונטו ש-Block רכשה ב-2020, שצוותו לשעבר מנהל כעת את הפרויקט הזה תחת Ragavan Thurairatnam, המדווח ל-Jack Dorsey.

מה הדבר בדיוק

Dessa הוא מודל דיבור-לדיבור מקצה לקצה. אתם מדברים, הוא שומע אתכם בזמן שהוא מדבר, והוא עונה באודיו. אין שלב תמלול, אין תור טקסט, ואין שלב סינתזה נפרד. Block אומרת שהמודל אומן כולו על שיחות אנושיות מוקלטות, ללא נתוני טקסט וללא נקודות ביקורת מאומנות מראש, ושאימון הרצה על rack יחיד של NVIDIA GB200 NVL72 — 72 מעבדי Blackwell GPU ב-rack אחד, וזו טענת יעילות נתונים בולטת בתחום שבו מודלי טקסט חזיתיים מאומנים על עשרות אלפי מאיצים.

לצידן עומדות שתי טענות נוספות. Block טוענת שהאינפרנס רץ מהר יותר מזמן אמת על MacBook Pro M4 Max "או טוב יותר" — M4 Max ברמת הקצה כולל 128 GB של זיכרון מאוחד, כך שמודל שנכנס שם בנוחות אינו עצום לפי הסטנדרטים הנוכחיים. זוהי הסקה מטענה, לא גילוי: אין נתון של קוונטיזציה, טביעת זיכרון או טוקנים לשנייה שמלווה אותה.

מה ש-Block כן פרסמה הוא יותר מתריסר הקלטות שיחה ואוסף של שמות תואר. The Verge, שהאזין לאותם קטעים, תיאר את השיחות כ"מעט מביכות ומוזרות" וסימן אחת שבה המודל מכנה את שותפו לשיחה "Ronaldo". בקטעים ש-Block בחרה, Dessa צוחקת באמצע המשפט שלה, מגבירה את עוצמת הקול כשמבקשים ממנה, משלימה שם של סרט שהדובר שכח, ומתנשפת לנוכח גילוי על יום נישואין.

למה "מודל קולי" הוא הביטוי הנכון ו"טקסט לדיבור" לא

ההבחנה הזו חשובה יותר מהמיתוג. מודל המרת טקסט לדיבור מקבל מחרוזת ומחזיר אודיו: אין לו מושג מה נאמר קודם, הוא לא יכול להיקטע, והוא לא יכול להקטיע. מודל שיחה ילידי דיבור מקבל אודיו ומחזיר אודיו, וכל מה שגורם לו להרגיש כמו משתתף — תזמון, חפיפה, הבעות הקשבה, חצי השנייה שבה עמדת לדבר ושינית את דעתך — חי בחלק שאין למודל המרת טקסט לדיבור.

דופלקס מלא הוא השם הטכני למבנה של שיחת טלפון. המודל מקשיב בזמן שהוא מדבר, כך שאפשר לקטוע אותו באמצע משפט והוא מתאושש, והוא יכול להתערב בזמן שאתה מדבר. לכל עוזר קולי דמוי מכשיר קשר שהשתמשת בו יש גבול נשמע בכל תור: הוא ממתין לשקט, מחליט שסיימת, מתמלל, חושב, מסנתז ומשמיע. אתה לומד לחכות לצפצוף. מודל דופלקס לומד מהרגע שבו כמעט דיברת.

זו תכונת אינטראקציה, לא תכונת אינטליגנציה. מודל יכול לנהל חילופי תורות ללא דופי ואין לו מה לומר, או להציג תשובה מבריקה בתזמון של מכונת פקס. מה שקליפי ההדגמה מוכיחים הוא ש-Block בנתה משהו שמתנהג כמו משתתף. מה שהם לא יכולים להוכיח הוא באיזו תדירות הוא מתנהג כך כשאף אחד לא בוחר את הקליפ.

איפה זה ישתלב בסטאק שאתם כבר מפעילים

סוכן הקול המעשי שרוב הצוותים מפעילים היום הוא שרשרת: {{1}}זיהוי דיבור{{/1}}, אחר כך מודל שפה, ואז {{2}}סינתזת דיבור{{/2}}. כל מעבר מוסיף השהיה, כל ספק הוא חוזה נפרד, והתמלול שבאמצע הוא המקום שבו הרגש, ההיסוס וההפרעה הולכים למות.

חשבון השהיה מסביר מדוע מודלים דופלקסיים ראויים לתשומת לב. בשרשרת, התגובה הנשמעת הראשונה ממתינה לכך שמזהה הדיבור יסיים, שמודל השפה יפיק פסוקית מלאה, ושהמסנתז יעבד אותה. מודל דופלקסי יכול להתחיל תגובה נשמעת לפני שהחליט מה לומר — "mm" ב-200 אלפיות השנייה הוא מהלך שיחתי סביר, ומהלך שיחתי סביר הוא כל תכליתו של העיצוב.

מה שהשרשרת נותנת לך בתמורה הוא כל מה שלמודל מבוסס־דיבור בלבד אין: קריאה לכלים, פלט מובנה, שליפה מתוך המסמכים שלך, וממשק ילידי ל-JSON. Block מודה בעמוד שלה בשאלות הפתוחות — באיזו יעילות מודל מבוסס־דיבור בלבד לומד עובדות ושפות לעומת מודל טקסט, והאם למידה בהקשר שורדת בלי אימון מקדים על טקסט. אלה אינן הערות שוליים; הן ההבדל בין סוכן שיחתי משכנע לבין עוזר כללי.

הארכיטקטורה הניתנת להגנה שבאמצע היא שכבה ילידית-דיבור המשולבת עם משהו שיכול לקרוא את הגיליון האלקטרוני שלך. זהו טיעון ש-Block טרם הציג, והתצוגה המקדימה הנוכחית אינה חושפת ממשק שדרכו השילוב יכול להתרחש.

מה חסר, מפורט בפשטות

ההיעדר יוצא דופן בשלמותו עבור הכרזה כה גלויה, ולכן כדאי לתעד אותו: מספר פרמטרים, אורך הקשר, גודל מערך הנתונים או שעות אודיו, משך האימון, השהיה באלפיות שנייה, ציוני בנצ'מרק, רישיון, מחיר, משקולות ותיעוד API. הגישה היא גישה מוקדמת לקבוצה קטנה של חוקרי בטיחות בינה מלאכותית שנרשמים עם דוא"ל מוסדי, ובנוסף רשימת המתנה ציבורית עם קישורי השקה המתוארים כ"בקרוב".

המספרים החסרים אינם חשובים באותה מידה. מחיר או קובץ משקלים אומרים לך מי יכול להשתמש בו. API או SDK הם ההבדל בין מודל לבין מאמר. נתון השהיה במילישניות הוא הדבר היחיד שקטע וידאו אינו יכול להעביר מבחינה מבנית, ולמודל דופלקס התזמון הוא המוצר. בנצ'מרק הוא הדחוף פחות מבין הארבעה, כי לא קיים בנצ'מרק לחפיפה בשיחה שאף אחד סומך עליו.

כיצד להעריך מודל קולי עבור מקרה השימוש שלך

אם אתם ממתינים לגישה — או בוחנים מודל ילידי-דיבור אחר שכבר הושק — אלו המדדים שמכריעים אם מקומו בייצור. אף אחד מהם אינו מפורסם עבור Dessa היום, ולכן שווה לשמור את הרשימה.

• סט שיחות held-out עם פרומפטים שפורסמו, לא מבחר של רגעים מוצלחים. צוות שמקליט שיחות רבות ומפרסם את הטובות ביותר אמר לך שקיימות שיחות טובות; זו אינה אותה טענה כמו אמינות.

• השהיית תגובה מקצה לקצה, כולל הזמן עד לתגובה הנשמעת הראשונה, לא רק "מהיר יותר מזמן אמת".

• התאוששות מהפרעה — באיזו תדירות המודל מאבד את החוט לאחר שנקטע, ובאיזו מהירות הוא שב ומשתלב.

• מובנות הדיבור ברעש — זה המקום שבו מערכות דיבור בדרך כלל נכשלות ראשונות, ושבו כל דמו שקט.

• שימור עובדתי, שכן זהו הוויתור המפורש על השמטת טקסט מהאימון.

מה לעשות היום

לכל דבר שצריך לעבוד ברבעון הבא, הסטאק הוא עדיין רכיב זיהוי דיבור, מודל שפה וסינתיסייזר, ואת הסטאק הזה אפשר כבר להרכיב דרך נקודת קצה אחת: OrcaRouter מנתב יותר מ-200 מודלים במפתח אחד במחיר המחירון של הספק עם 0% תוספת, עם מעבר אוטומטי בין ספקים במקרה תקלה, DSL לניתוב שיכול להרכיב כמה מודלים לקריאה אחת, ומיזוג מודלים כשאתם רוצים פאנל שמשיב יחד. זה לא הופך מכשיר קשר לשיחת טלפון. זה מסיר אינטגרציה אחת מהשרשרת בזמן שמודלי הדופלקס מתבגרים.

ליתר בהירות לגבי מה שאינו זמין: Dessa אינה בקטלוג של OrcaRouter, ושום דבר כאן אינו הצעה לספק אותה. כש-Block תשיק API, שכבת הניתוב היא המקום שבו מודל כמו זה יהיה שווה להשוות לפי מחיר לדקת שיחה ולא לפי טוקן — מדד שלא קיים כיום באף כרטיס תעריפים, והוא המדד שלפיו הקטגוריה הזו תירכש בסופו של דבר.

הסיכום הכן

Dessa היא תוצאה מחקרית אמיתית עם עמוד הדגמה טוב באופן יוצא דופן, מצוות שיש מאחוריו שמונה שנות עבודה בתחום הדיבור, ששוחררה כתצוגה מקדימה ולא כמוצר. הטענה המעניינת אינה שהשיחות נשמעות אנושיות — קליפים נבחרים תמיד נשמעים כך. היא שמודל יכול ללמוד שיחה מאודיו בלבד על גבי ארון שרתים בודד, ושדופלקס מלא נתפס כהסדר ברירת המחדל ולא כתכונה.

אם זה יחזיק מעמד תחת סט מוחזק, זה משנה ממה סוכן קולי בנוי. עד אז, התווית הנכונה היא מה שהיא: לא מודל קולי שאפשר לפנות אליו, אלא אות ברור לאן הסטאק הולך.

הערת מקורות: כל טענה של Dessa במאמר הזה — ההכרזה מ-23 באוקטובר 2026, אימון בדיבור בלבד, מתלה GB200 NVL72 בודד, הטענה לגבי MacBook Pro M4 Max, מסלול הגישה בתצוגת מחקר מקדימה, הנתונים החסרים, הרכישה מ-2020 וההסתייגות "ככל הידוע לנו" — מגיעה מההכרזה של Block עצמה ומהצהרותיה הפומביות של החברה, שנקראו ב-26 באוקטובר 2026, ולא אומתה באופן עצמאי. התיאור "מביך ומשונה" ופרט "רונאלדו" הם של The Verge, מהסיקור שלה את אותם קטעים. חמשת קריטריוני ההערכה וטיעון השהיה (latency) הם שלנו. תיאור הניתוב, התמחור והמעבר לגיבוי (failover) של OrcaRouter הוא התנהגות המוצר שפרסמנו בעצמנו.