Dessa Voice Model：Blockの音声専用AIとは実際何なのか、音声エージェントのどこに組み込めるのか

「Dessa voice model」は検索するのは自然でも、見つけるのは難しいものです。なぜならBlockはまだそのようなモデルをリリースしていないからです。同社が2026年10月23日に発表したのは、Dessaのリサーチプレビューです。Dessaは人間の会話のみをゼロから学習した全二重音声対音声モデルで、テキストコーパスも事前学習済み言語モデルも使わず、音声を入力して音声を出力するだけで、その間に何も挟みません。APIも価格も重みファイルもベンチマークもパラメータ数もありません。また、まず整理しておくべき名前の衝突があります。歌手のDessaが同じ検索結果に現れるのです。モデル名は、Blockが2020年に買収したトロントの音声研究スタートアップに由来しており、その元チームが現在、Ragavan Thurairatnamの下でこのプロジェクトを運営し、Jack Dorseyに報告しています。

そのものが正確には何なのか

Dessaはエンドツーエンドの音声間モデルです。あなたが話すと、モデルは自分が話している間にもあなたの声を聞き取り、音声で答えます。文字起こしの段階も、テキストのターンも、独立した合成段階もありません。Blockによると、このモデルは録音された人間の会話のみで訓練され、テキストデータも事前学習済みチェックポイントも使われておらず、訓練は単一のNVIDIA GB200 NVL72ラック——1つのラックに72基のBlackwell GPU——で実行されたとのことです。これは、最先端のテキストモデルが数万基のアクセラレータで訓練される分野において、際立ったデータ効率の主張です。

さらに2つの主張がそれに並んでいる。Blockは、MacBook Pro M4 Max「またはそれ以上」で推論がリアルタイムより速く動作すると述べている——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、そこに余裕をもって収まるモデルは現在の基準では巨大ではない。これは主張からの推論であり、開示ではない。量子化、メモリ使用量、毎秒トークン数の数値は付随していない。

ブロックが実際に公開したのは、十数件の会話録音と一連の形容詞だった。同じクリップを聴いたThe Vergeは、その会話を「少し気まずく、不気味」と評し、モデルが会話相手を「Ronaldo」と呼ぶものの一つを指摘した。ブロックが選んだクリップでは、Dessaは自分の文の途中で笑い、求められると音量を上げ、話し手が忘れた映画の題名を補い、記念日の発表に息をのむ。

なぜ「voice model」が適切な表現で、「text to speech」はそうではないのか

この区別はブランディングよりも重要だ。テキスト読み上げモデルは文字列を受け取って音声を返す。以前に何が言われたかを知らず、遮られることも、遮ることもできない。音声ネイティブな会話モデルは音声を受け取って音声を返す。そして、参加者のように感じさせるすべて――タイミング、発話の重なり、相槌、話そうとして思い直した半秒――は、TTSモデルにはない部分に宿っている。

全二重（フルデュプレックス）は、電話の通話形式を指す技術用語だ。モデルは話しながら聞いているので、文の途中で遮られても立て直せるし、あなたが話している間に口を挟むこともできる。これまで使ってきたトランシーバー型の音声アシスタントはどれも、各ターンに耳で分かる境界がある。沈黙を待ち、話し終えたと判断し、文字起こしし、考え、音声合成し、再生する。あなたはビープ音を待つことを覚える。全二重モデルは、あなたが話し始めかけたその瞬間から学ぶ。

それ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言うことがないこともあれば、ファックス機のタイミングで卓越した回答を届けることもある。デモクリップが示しているのは、Blockが参加者のように振る舞う何かを作ったということだ。示せていないのは、誰もクリップを選んでいないときに、それがどれくらい頻繁にそう振る舞うのかということだ。

すでに運用しているスタックの中で、どこに位置するか

今日、ほとんどのチームが運用している実用的な音声エージェントは連鎖です。音声認識、次に言語モデル、そして音声合成。各ホップがレイテンシを積み上げ、各ベンダーは個別の契約であり、その中間にあるトランスクリプトこそ、感情やためらい、割り込みが息絶える場所なのです。

レイテンシの計算は、duplexモデルがなぜ注目に値するのかを説明している。この連鎖では、最初に聞こえる応答は、認識器が処理を終え、言語モデルが完全な節を生成し、合成器がそれをレンダリングするのを待つ。duplexモデルは、何を言うかを決める前に音声的な反応を始められる——200ミリ秒時点の「mm」はもっともらしい会話上の一手であり、もっともらしい会話上の一手こそが設計全体の狙いなのだ。

チェーンが引き換えに提供するのは、音声専用モデルにはないすべてです。ツール呼び出し、構造化出力、あなたのドキュメントに対する検索、そしてJSONへのネイティブインターフェースです。Blockは自社ページで未解決の問いを認めています。音声専用モデルがテキストモデルと比べてどれだけ効率的に事実や言語を学習するのか、そしてテキスト事前学習なしでも文脈内学習が成立するのかどうかです。これらは脚注ではありません。魅力的な会話エージェントと汎用アシスタントの違いそのものです。

中間に位置する防御可能なアーキテクチャとは、音声ネイティブのレイヤーと、あなたのスプレッドシートを読み取れる何かを組み合わせたものです。それはBlockがまだ打ち出していない主張であり、現在のプレビューには、その組み合わせを実現できるインターフェースが一切公開されていません。

欠けているものを、簡潔に列挙すると

これほど目を引く発表にしては、情報の欠落が異常なほど徹底している。だから書き留めておく価値がある：パラメータ数、コンテキスト長、データセットのサイズまたは音声の時間数、学習期間、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、APIドキュメント。アクセスは、機関のメールアドレスで申請する少数のAI安全性研究者向けの早期アクセスに加え、公開ウェイトリストがあり、ローンチ用リンクは「近日公開」と説明されている。

欠けている数値は、どれも同じように重要なわけではない。価格や重みファイルは、誰がそれを使えるかを教えてくれる。APIやSDKは、モデルと論文の違いそのものだ。ミリ秒単位のレイテンシ値は、動画クリップが構造上どうしても伝えられない唯一のものであり、双方向モデルにとってタイミングは製品そのものだ。ベンチマークは4つの中で最も緊急性が低い。会話のオーバーラップについて、誰もが信頼するベンチマークは存在しないからだ。

自分のユースケースに合わせて音声モデルを評価する方法

アクセスを待っている場合でも、すでにリリースされている別の音声ネイティブモデルを評価している場合でも、本番環境に適しているかを決めるのはこれらの測定指標です。現時点でDessaについて公表されているものは一つもなく、だからこそこのリストは保持する価値があります。

• 公開されたプロンプトを伴うホールドアウト会話セットであり、選別されたハイライトではない。多くの会話を記録して最良のものを公開するチームは、良い会話が存在すると伝えているにすぎず、それは信頼性についての主張と同じではない。

• エンドツーエンドの応答レイテンシ。最初に耳で聞こえる反応までの時間を含み、「リアルタイムより速い」だけにとどまらない。

• 中断からの復帰 — モデルが遮られた後に会話の流れを見失う頻度と、どれだけ迅速に復帰できるか。

• 雑音下での了解性。音声システムがたいてい最初に失敗するのはここであり、あらゆるデモが沈黙しているのもここだ。

• 事実の保持。これは、トレーニングからテキストを削除することの明示的なトレードオフであるため。

今日は何をしよう

次の四半期に確実に動かす必要があるものに関しては、スタックは依然として認識器、言語モデル、合成器であり、そのスタックはすでに1つのエンドポイントを通じて組み立てられます。OrcaRouterは200以上のモデルを1つのキーで、プロバイダーの定価かつ0%のマークアップでルーティングし、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回の呼び出しに構成できるルーティングDSL、そして複数モデルをパネルとして一緒に回答させたい場合のモデル融合を備えています。そ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間、チェーンから統合を1つ取り除くのです。

明確にしておきますが、利用できないものについて述べると：DessaはOrcaRouterのカタログには含まれておらず、ここに書かれていることはそれを提供する申し出でもありません。BlockがAPIを提供するようになれば、このようなモデルを比較する価値があるのはルーティング層においてであり、その際はトークンあたりではなく会話1分あたりの価格で比較することになるでしょう——これは現在どの料金表にも存在しない指標であり、そしてこのカテゴリーが最終的に購入される際の基準となる指標です。

正直な要約

Dessaは、異例なほど優れたデモページを備えた真正の研究成果であり、8年間の音声研究の実績を持つチームによるもので、製品ではなくプレビューとして公開された。興味深い主張は、会話が人間のように聞こえることではない——厳選されたクリップは常にそう聞こえる。興味深いのは、モデルが単一ラック上の音声だけから会話を学習できること、そして全二重が機能ではなく既定の構成として扱われていることだ。

それがホールドアウト集合でも持ちこたえるなら、音声エージェントの構築基盤が変わる。それまでは、正しいラベルは現状のまま――呼び出せる音声モデルではなく、スタックがどこへ向かうかについての明確なシグナルだ。

出典注記：本記事におけるDessaに関するすべての主張——2026年10月23日の発表、音声のみによる学習、単一のGB200 NVL72ラック、MacBook Pro M4 Maxに関する主張、リサーチプレビューへのアクセス経路、欠落している数値、2020年の買収、そして「我々が知る限りでは」という留保表現——は、Block自身の発表および同社の公開声明（2026年10月26日に閲覧）に基づくものであり、独自の検証は行われていません。「気まずく不気味」という表現と「ロナウド」に関する詳細は、同じクリップを扱ったThe Vergeの記事によるものです。5つの評価基準とレイテンシに関する論点は当社独自のものです。OrcaRouterのルーティング、価格設定、フェイルオーバーに関する記述は、当社が公開している製品動作に基づくものです。