BlockのDessaは音声のみで訓練された——デモが証明していないのは次のことだ

Blockは十数件の会話録音を公開したが、ベンチマークの数値は一つも出していない。この比率こそがDessaについて最も多くを語っている。これはジャック・ドーシー氏の会社が2026年10月23日に発表した全二重音声モデルだ。Dessaは人間の会話のみでゼロから学習されており、テキストも事前学習済みモデルも使っていない。そして本当に珍しいことをする。音声入力と音声出力で、途中に文字起こしの工程を挟まず、聞きながら話すのだ。また、これを書いている時点では、ウェイトリスト制のリサーチプレビューであり、パラメータ数、API、価格、重み、公開された評価のいずれもない。公開されている証拠のすべてはデモだ。

それによって発表が空虚になるわけではない。テキストコーパスなしで言語を学ぶ音声モデルは、業界の大半が疑うことをやめた前提――知識はテキストの中にあり、音声はその上に載る薄いインターフェースにすぎないという前提――に挑んでいる。だが、「デモは衝撃的だ」ということと「このモデルに何ができるかを我々は知っている」ということの間には大きな隔たりがあり、Block自身のページは、ほとんどのローンチ記事よりもその隔たりについて率直だ。最も大きな働きをしている文は四語でできている。「我々が知る限りでは」だ。

Blockが実際にページに載せたもの

形容詞を取り除けば、確認された記録は短い。以下の内容はすべてBlock自身の発表または同社の公開声明によるものであり、ここにある内容は独立して検証されたものではない。

• リリース — 2026年10月23日、一般提供される製品ではなく、研究プレビューとして発表されました。

• 形式 — エンドツーエンドの音声対音声：音声入力、音声出力、全二重、テキストを介さない。

• トレーニング — 人間の会話のみを用いてゼロから。Blockによると、テキストデータも事前学習済みモデルも使用されていないという。

• コンピューティング — 同社によると、トレーニングは単一のNVIDIA GB200 NVL72ラックで実行されました。

・ローカル推論 — Blockは、MacBook Pro M4 Max「またはそれ以上」でリアルタイムより速く動作すると主張している。

• アクセス — 機関のメールアドレスで申請した「AIセーフティ研究者の小規模なグループ」向けの早期アクセスに加え、一般向けのウェイトリストも用意。ページには、ローンチ用リンクは近日公開予定と記されている。

• 欠落 — パラメータ数、コンテキスト長、データセットサイズまたは音声の時間数、学習時間、ミリ秒単位のレイテンシ、ベンチマークスコア、ライセンス、価格、重み、およびAPIドキュメント。

このチームは、Block 内にある小規模な研究グループで、Ragavan Thurairatnam が率いており、Block が 2020 年に買収したトロントのスタートアップ Dessa の元メンバーを中心に構成され、Dorsey に直接報告している。この系譜は発表を読み解くうえで重要だ。ここにあるのは生成音声に8年の歴史を持つ研究所であって、製品ロードマップにデモを後付けする決済会社ではない。また、このリリースが製品発表ではなく研究的な成果物のように見える理由も、まさにそれが研究的な成果物だからだ。

全二重は理解する価値のある部分です

ほとんどの音声アシスタントはトランシーバーのように動作します。システムはあなたが話し止まるのを待ち、話し終えたと判断し、文字起こしをし、考え、応答を合成して再生します。その境界はどれも耳に聞こえます。あなたはビープ音を待つことを覚えますが、モデルは話そうとして考え直した0.5秒から何も学びません。

全二重は電話の通話モデルだ。このモデルは話しながら聞いているため、文の途中で遮られたり、あなたが話している間に「うん」や「わかった」と相づちを打ったり、相手のタイミングに合わせて調整したりできる。Blockのデモはこの点に大きく依存している。Dessaは自分の発話の途中で笑い、頼まれると音量を上げ、話し手が忘れてしまった映画の題名を補い、記念日のサプライズ発表に息をのむ。同じクリップを聞いたThe Vergeは、その会話を「少し気まずく、不気味だ」と評し、Dessaが会話相手を「Ronaldo」と呼ぶ場面も指摘した。

両方の反応が正しいこともあり得る。全二重は知能の特性ではなく、インタラクションの特性だ。モデルは完璧なターンテイキングを備えていながら何も面白いことを言わないこともあれば、ファックス機のタイミングで届けられる見事な答えを持つこともある。デモが示しているのは、Blockが参加者のように振る舞う何かを作り上げたということだ。示せていないのは、誰もクリップを選んでいないときに、それがどれほど頻繁にそう振る舞うのかだ。

音声のみの訓練がもたらすものと、それに伴う代償

音声のみで学習する理由は、テキストが会話の運ぶほとんどすべてを捨ててしまうからだ。「fine」の文字起こしは1語にすぎない。音声には、ため息、間、声のトーンの低下、そしてもう一度尋ねるかどうかの判断がある。Blockが掲げる安全上の動機はそこから導かれる。苦痛を聞き取れない音声システムは、サポート通話や危機相談電話でまさに重要となる信号に耳を塞いでいるのだ。

コストも同じく構造的なものだ。大規模言語モデルは、事実に関するカバレッジ、コード、構造化出力、ツール呼び出しをテキストから得ている。音声だけで学習したモデルには、PDF、JSONスキーマ、API呼び出しに対するネイティブなインターフェースがない。Blockは自社のページで未解決の問いを認めている。音声のみのモデルがテキストモデルと比べて事実や言語をどれほど効率的に学習するのか、そしてテキストでの事前学習なしに文脈内学習が維持されるのかどうかだ。これらは脚注ではない。魅力的な対話エージェントと汎用アシスタントの違いそのものだ。

中間には擁護できる立場がある。音声ネイティブモデルは、スプレッドシートを読める何かと組み合わせれば、自分でスプレッドシートを読む必要はない。しかしそれはBlockがまだ示していないアーキテクチャ上の主張であり、現在のプレビューには、そのような組み合わせを可能にするインターフェースが一切公開されていない。

根拠となる基盤は、厳選されたデモリールです。

Blockは、クリップはライブ録画であり、誰もモデルを誘導しておらず、字幕は後から追加されたと述べている。これらは適切な取り組みであり、デモ詐欺の最も露骨な形態を排除する。しかし、選別を排除するものではない。多くの会話を録画し、その中で最良のものを公開するチームは、良い会話が存在することを伝えているのであって、それは「このモデルは信頼できる」という主張と同じではない。

独立した評価に何が必要かは具体的であり、次の発表をそれに照らして測れるよう、今のうちに書き留めておく価値がある：

• 公開されたプロンプトを伴う、選り抜きではない保持会話セット。

• 応答レイテンシは、最初の可聴反応までの時間を含めてエンドツーエンドで測定されるものであり、「リアルタイムより高速」というだけではありません。

• 中断からの復帰：遮られた後にモデルが会話の流れを見失う頻度と、どれだけ早く復帰するか。

• 雑音下での明瞭度 — 音声システムが最初に破綻しやすいのはまさにこの点です。

• 明示された計算資源とデータの予算。これにより、「数百倍少ない単語数」という主張を何かと照らし合わせて検証できる。

• テキストを削除することの明示的なトレードオフとして、事実をある程度保持できること。

これらはまだどれも存在しない。プレビューとしては正常で、ローンチとしては異常だ。だからこそ、今日のDessaにふさわしい呼び名は「異常に優れたデモページを伴う研究成果」なのだ。

ハードウェアに関する主張は控えめなものだ。

ページにはハードウェアに関する2つの数字が載っているが、どちらも検証されていない。最初の数字は、トレーニングにGB200 NVL72を1台使用したというものだ。これは72基のBlackwell GPUを搭載する単一ラックである。もし事実なら、これは際立ったデータ効率の主張だ。会話ができるモデルを1つのラックでトレーニングしたというのは、最先端のテキストモデルが数万基のアクセラレータでトレーニングされている分野において、際立っている。また、これは完全に規模に依存する種類の主張でもある。1つのラックでどれくらいの期間、何時間分の音声を使って、どれだけのパラメータで行ったのか。

第二は、MacBook Pro M4 Max上で推論がリアルタイムより速く実行されるという点だ。最上位のM4 Maxは128 GBのユニファイドメモリを搭載しているため、そこに余裕を持って収まるモデルは現代の基準では巨大ではない。それは推測であり、開示ではない。Blockはサイズ、量子化、メモリ使用量、トークン毎秒の数値を公開していないため、ノートPCに関する主張は再現できず、繰り返すことしかできない。

ここは、技術に詳しい読者がその不在を最も鋭く感じるべき場所だ。モデルの実用性に関するあらゆること——会話1回あたりのコスト、スマートフォンで動かせるかどうか、APIが安価になり得るかどうか——は、Blockが公表しないことを選んだある数字から導かれる。

アクセスが制限されている理由、そしてそれが評価にとってなぜ重要なのか

BlockがDessaを開発した公言している理由は、好奇心、人間とAIの相互作用へのより深い理解、そして安全性だ。ゲートは三番目と整合している。感情を読み取り、説得力のある会話ができる音声は、すぐに使えるなりすましツールであり、悪い見出しを避ける最速の方法は、それを小さな部屋に留めておくことだ。

トレードオフは、制限付きアクセスと独立評価が相反する方向に働くことだ。少数の安全性研究者グループは最も有用なレッドチーム結果を生み出すかもしれないが、その結果はBlockのスケジュールで、ほとんどの場合Blockのレビューの下で出てくることになる。外部グループが数値を公表するまで、公開記録はベンダーのクリップと、ベンダーのクリップに対する記者の印象から成る。これは「感情表現において他の何よりも優れている」という表現にとって乏しい根拠である。なぜならそれは誰も実施していない比較についての主張だからだ。

これを製品にするには何が必要でしょうか

大まかに重要度順で4つ。価格か重みファイル。どちらかがあれば、誰が使えるかが分かるから。APIかSDK。呼び出せないモデルは紙切れ同然だから。ベンチマークか独立した評価。「最も本物らしい」は指標ではないから。そしてミリ秒単位のレイテンシ値。全二重の価値はすべてタイミングにあり、タイミングこそ動画クリップでは伝えられないものだから。

それらのどれか一つでも、この記事の読み方は変わるはずだ。四つすべてが揃えば、それはローンチになる。

それまでに音声エージェントが必要な場合は

実運用の音声エージェント向けの実用的なスタックは、依然として音声認識、次に言語モデル、次に音声合成という構成です。各ホップごとにレイテンシが増え、各ベンダーとは個別に契約する必要があります。OrcaRouterはその中間層です：200以上のモデルを束ねる1つのAPIを、0%のマークアップ——プロバイダーの定価をそのまま適用——で提供し、プロバイダー間の自動フェイルオーバー、複数のモデルを1回の呼び出しに組み合わせられるルーティングDSL、そしてモデル群に一緒に回答させたいときのモデルフュージョンを備えています。これはトランシーバーを電話通話に変えるものではありません。全二重モデルが成熟するまでの間、連携箇所を1つ減らすのです。

明確にしておきたいのは、当社が提供していないものについてです。DessaはOrcaRouterのカタログには掲載されておらず、本記事のいかなる記述も、それを提供する申し出として解釈されるべきではありません。BlockがAPIを出荷した際、このようなモデルをトークン単価ではなく会話1分あたりの価格で比較する価値があるのは、ルーティング層においてです。

何を観るべきか

真剣に受け止める価値があるのは「最初である」という主張ではない。言語は何百分の一もの少ないデータで音声から学習できるかもしれず、その結果得られるモデルは文字起こしでは決してできない形で会話を理解できるかもしれない、という主張だ。Blockがデータ予算、パラメータ数、ホールドアウト評価を伴う論文を公開すれば、その主張は検証可能になる。次の発表がまた別のクリップ群であれば、興味深い問いは依然として未解決のままであり、ウェイトリストが唯一の入口であり続けるだろう。