Block의 Dessa는 음성만으로 훈련됐다 — 데모가 입증하지 못하는 것

블록은 십여 개가 넘는 대화 녹음과 하나의 벤치마크 수치도 공개했습니다. 그 비율은 잭 도시의 회사가 2026년 10월 23일에 발표한 전이중 음성 모델 데사에 대해 가장 많은 것을 알려줍니다. 데사는 텍스트도, 사전 학습된 모델도 없이 오직 인간의 대화만으로 처음부터 학습되었으며, 정말로 이례적인 일을 합니다. 중간에 전사 단계 없이 오디오 입력과 오디오 출력으로 동시에 듣고 말합니다. 또한 이 글을 쓰는 현재, 대기 명단 뒤에 있는 연구 프리뷰로, 파라미터 수, API, 가격, 가중치, 공개된 평가가 모두 없습니다. 데모가 전체 공개 증거 기반입니다.

그렇다고 해서 그 발표가 공허한 것은 아니다. 텍스트 코퍼스 없이 언어를 학습하는 음성 모델은 업계 대부분이 더 이상 의심하지 않는 가정, 즉 지식은 텍스트에 있고 음성은 그 위에 얹힌 얇은 인터페이스라는 가정을 공격한다. 하지만 "데모는 놀랍다"와 "우리는 이 모델이 무엇을 할 수 있는지 안다" 사이의 간극은 크며, Block의 자체 페이지는 대부분의 출시 게시물보다 그 간극에 대해 더 솔직하다. 가장 중요한 역할을 하는 문장은 단 네 단어다: "우리가 아는 한."

Block이 실제로 페이지에 올린 것

수식어를 걷어내면 확인된 기록은 짧다. 아래 내용은 모두 블록(Block)의 자체 발표나 회사의 공개 성명에서 나온 것이며, 여기 있는 어떤 것도 독립적으로 검증되지 않았다.

• 출시 — 2026년 10월 23일, 정식 출시 제품이 아닌 연구 미리보기로 발표되었습니다.

• 형식 — 엔드투엔드 음성 대 음성: 오디오 입력, 오디오 출력, 전이중, 중간 텍스트 없음.

• 훈련 — 오직 인간 대화만으로 처음부터. Block에 따르면 텍스트 데이터와 사전 학습된 모델은 사용되지 않았다.

• 컴퓨트 — 회사 측에 따르면, 학습은 단일 NVIDIA GB200 NVL72 랙에서 진행되었습니다.

• 로컬 추론 — Block은 MacBook Pro M4 Max “또는 그 이상”에서 실시간보다 빠르게 실행된다고 주장합니다.

• 액세스 — 기관 이메일로 신청하는 "소규모 AI 안전 연구자 그룹"에게 제공되는 얼리 액세스와 공개 대기자 명단. 페이지에는 출시 링크가 곧 제공될 예정이라고 나와 있습니다.

• 누락 — 매개변수 수, 컨텍스트 길이, 데이터셋 크기 또는 오디오 시간, 학습 기간, 지연 시간(밀리초), 벤치마크 점수, 라이선스, 가격, 가중치, 그리고 API 문서 일체.

Block 내부의 소규모 연구 그룹으로, Ragavan Thurairatnam이 이끌며, 2020년 Block이 인수한 토론토 스타트업 Dessa의 전 멤버들을 중심으로 구성되었고 Dorsey에게 직접 보고한다. 그 계보는 이번 발표를 해석하는 데 중요하다. 이는 생성 음성 분야에서 8년의 역사를 지닌 연구소이지, 제품 로드맵에 데모를 끼워 넣는 결제 회사가 아니다. 또한 이번 공개가 제품 출시가 아니라 연구 산출물처럼 보이는 이유를 설명해 준다. 실제로 연구 산출물이기 때문이다.

전이중 통신이 바로 이해할 가치가 있는 부분입니다.

대부분의 음성 비서는 무전기처럼 작동한다. 시스템은 당신이 멈추기를 기다리고, 말을 마쳤다고 판단한 뒤, 받아쓰고, 생각하고, 답변을 합성해 재생한다. 그 경계는 하나하나 다 들린다. 당신은 삐 소리를 기다리는 법을 배우지만, 모델은 당신이 말하려다 마음을 바꾼 그 0.5초로부터 아무것도 배우지 못한다.

전이중 방식은 전화 통화 모델입니다. 이 모델은 말하는 동시에 듣기 때문에 문장 중간에 방해받을 수 있고, 상대가 말하는 동안 "네"나 "알겠어"라고 끼어들 수 있으며, 타이밍을 상대에 맞출 수 있습니다. Block의 데모들은 이 점에 크게 의존합니다. Dessa는 자기 문장 중간에 웃고, 요청받으면 목소리 크기를 높이며, 화자가 잊어버린 영화 제목을 대신 마무리하고, 기념일 공개에 숨을 들이쉽니다. 같은 클립을 들은 The Verge는 그 대화를 "약간 어색하고 기묘하다"고 표현했으며, Dessa가 대화 상대를 "Ronaldo"라고 부르는 장면 하나를 지적했습니다.

두 반응 모두 사실일 수 있다. 전이중은 상호작용의 속성이지 지능의 속성이 아니다. 어떤 모델은 완벽한 차례 주고받기를 하면서도 흥미로운 말은 하나도 못 할 수 있고, 또는 팩스 기계의 타이밍으로 전달되는 뛰어난 답변을 내놓을 수도 있다. 데모가 입증하는 것은 Block이 참여자처럼 행동하는 무언가를 만들었다는 점이다. 데모가 입증하지 못하는 것은 아무도 클립을 고르지 않을 때 그것이 얼마나 자주 그렇게 행동하는가이다.

음성만으로 훈련할 때 얻는 것과 그에 따르는 비용

음성 전용 학습을 주장하는 근거는 텍스트가 대화가 담고 있는 거의 모든 것을 버린다는 데 있다. “괜찮아”라는 말의 전사본은 한 단어에 불과하다. 오디오에는 한숨, 멈춤, 음높이의 하강, 그리고 다시 물어볼지에 대한 결정이 담겨 있다. Block이 밝힌 안전 동기는 여기에서 비롯된다. 고통을 들을 수 없는 음성 시스템은 지원 통화나 위기 상담 전화에서 중요한 바로 그 신호를 듣지 못하는 것이다.

비용 문제도 똑같이 구조적입니다. 대규모 언어 모델은 사실적 정보 범위, 코드, 구조화된 출력, 도구 호출을 텍스트에서 얻습니다. 음성만으로 학습한 모델에는 PDF, JSON 스키마, API 호출을 위한 기본 인터페이스가 없습니다. Block은 자사 페이지에서 공개된 의문점을 인정합니다. 텍스트 모델과 비교해 음성 전용 모델이 사실과 언어를 얼마나 효율적으로 학습하는지, 그리고 텍스트 사전 학습 없이도 문맥 내 학습이 유지되는지입니다. 이는 각주 수준의 문제가 아닙니다. 설득력 있는 대화형 에이전트와 범용 어시스턴트의 차이를 가르는 문제입니다.

중간에 방어 가능한 입장이 있습니다. 음성 네이티브 모델은 스프레드시트를 읽는 다른 구성 요소와 짝지어진다면 굳이 스프레드시트를 직접 읽을 필요가 없습니다. 하지만 그것은 Block이 아직 제기하지 않은 아키텍처 논변이며, 현재 프리뷰는 그런 짝짓기가 이루어질 수 있는 인터페이스를 전혀 노출하지 않습니다.

증거 기반은 선별된 데모 릴입니다.

Block은 해당 클립들이 라이브 녹화본이며, 누구도 모델을 조종하지 않고, 자막은 나중에 추가되었다고 말한다. 이는 좋은 관행이며 가장 조잡한 형태의 데모 사기를 배제한다. 그러나 선별 가능성은 배제하지 못한다. 많은 대화를 녹화한 뒤 그중 가장 좋은 것만 공개하는 팀은 좋은 대화가 존재한다고 말해준 것일 뿐, "이 모델은 신뢰할 수 있다"는 주장과는 같지 않다.

독립 평가에 필요한 사항은 구체적이므로, 다음 발표를 그 기준에 비추어 평가할 수 있도록 지금 기록해 둘 만합니다:

• 선별된 하이라이트가 아닌, 프롬프트가 공개된 홀드아웃 대화 세트.

• 응답 지연 시간은 '실시간보다 빠름'만이 아니라 첫 가청 반응까지 걸리는 시간을 포함해 종단 간으로 측정됩니다.

• 중단 복구: 모델이 끊긴 후 맥락을 놓치는 빈도와 얼마나 빨리 다시 이어가는지.

• 소음 속 명료도, 즉 음성 시스템이 보통 가장 먼저 실패하는 지점입니다.

• 명시된 연산 및 데이터 예산. 그래야 "수백 배 더 적은 단어"라는 주장을 무언가와 대조해 검증할 수 있다.

• 텍스트를 삭제하는 것의 명시적인 대가이므로, 어느 정도의 사실 보존이 필요하다.

이들 중 어느 것도 아직 존재하지 않습니다. 이는 프리뷰에서는 정상이고 출시에서는 비정상이며, 그래서 오늘날 Dessa에 대한 올바른 명칭은 "유난히 좋은 데모 페이지를 갖춘 연구 결과"입니다.

하드웨어 주장은 조용한 쪽이다

페이지에는 두 개의 하드웨어 수치가 적혀 있고 둘 다 검증되지 않았다. 첫 번째는 훈련에 GB200 NVL72 하나를 사용했다는 것이다. 이는 72개의 Blackwell GPU를 담은 단일 랙이다. 사실이라면 이는 놀라운 데이터 효율성 주장이다. 대화를 나누는 모델을 단일 랙에서 훈련했다는 것으로, 최전선 텍스트 모델들이 수만 개의 가속기로 훈련되는 분야에서 말이다. 또한 이는 전적으로 규모에 달려 있는 종류의 주장이기도 하다. 단일 랙으로 얼마나 오랫동안, 몇 시간 분량의 오디오로, 몇 개의 파라미터로?

두 번째는 MacBook Pro M4 Max에서 추론이 실시간보다 빠르게 실행된다는 점입니다. 최상위 M4 Max는 128GB 통합 메모리를 갖추고 있으므로, 그곳에 무리 없이 들어가는 모델은 현대 기준으로 거대한 편이 아닙니다. 그것은 공개가 아니라 추론입니다. Block은 크기, 양자화, 메모리 사용량, 초당 토큰 수를 공개하지 않았으므로, 노트북 관련 주장은 재현할 수 없고 반복할 수 있을 뿐입니다.

기술 독자가 그 부재를 가장 절실하게 느껴야 하는 지점이 바로 여기다. 모델의 실용성에 관한 모든 것, 즉 대화 한 건당 비용, 휴대폰에서 실행될 수 있는지, API가 저렴해질 수 있는지 여부는 Block이 공개하지 않기로 선택한 하나의 숫자에서 비롯된다.

접근이 왜 제한되는지, 그리고 그것이 평가에서 왜 중요한지

Block이 Dessa를 만든 이유로 내세운 것은 호기심, 인간-AI 상호작용에 대한 더 나은 이해, 그리고 안전이다. 이러한 접근 제한은 세 번째 이유와 일맥상통한다. 감정을 읽어내고 설득력 있게 대화하는 목소리는 곧바로 사용할 수 있는 사칭 도구이며, 나쁜 헤드라인을 피하는 가장 빠른 방법은 그것을 작은 방 안에 가두는 것이기 때문이다.

트레이드오프는 접근 제한과 독립적 평가가 서로 반대 방향으로 작용한다는 점이다. 소수의 안전 연구원들이 가장 유용한 레드팀 결과를 만들어낼 수는 있지만, 그 결과는 Block의 일정에 맞춰 나올 것이고 대부분의 경우 Block의 검토를 거칠 것이다. 외부 그룹이 수치를 공개하기 전까지 공개 기록은 벤더의 클립과 그 클립에 대한 기자들의 인상으로 구성된다. 이는 "감정 표현에서 다른 무엇보다 뛰어나다"라는 표현을 뒷받침하기에는 빈약한 근거이며, 이는 아무도 수행하지 않은 비교에 대한 주장이다.

이것을 제품으로 만들려면 무엇이 필요할까요?

중요도 순으로 대략 네 가지입니다. 가격이나 가중치 파일, 둘 중 하나만으로도 누가 그것을 사용할 수 있는지 알 수 있기 때문입니다. API나 SDK, 호출할 수 없는 모델은 논문에 불과하기 때문입니다. 벤치마크나 독립 평가, "가장 진짜 같다"는 것은 지표가 아니기 때문입니다. 그리고 밀리초 단위의 지연 수치, 풀듀플렉스의 가치는 전적으로 타이밍에 있고 타이밍은 영상 클립이 전달할 수 없는 유일한 것이기 때문입니다.

그중 어느 하나만으로도 이 글을 읽는 방식이 달라졌을 것이다. 네 가지 모두 해당한다면 이는 출시나 다름없게 만들었을 것이다.

그 전에 음성 에이전트가 필요하시면

프로덕션 음성 에이전트를 위한 실용적인 스택은 여전히 음성 인식, 그다음 언어 모델, 그다음 음성 합성입니다. 각 단계는 지연 시간을 더하고 각 공급업체는 별도의 계약입니다. OrcaRouter는 중간 계층입니다: 200개 이상의 모델을 앞에 둔 단일 API를 통해 0% 마크업으로 — 공급업체 정가를 그대로 전달 — 공급업체 전반의 자동 페일오버, 여러 모델을 하나의 호출로 구성할 수 있는 라우팅 DSL, 그리고 여러 모델이 함께 답하는 패널을 원할 때의 모델 퓨전을 제공합니다. 이것이 무전기를 전화 통화로 만들어 주지는 않습니다; 양방향 모델이 성숙하는 동안 체인에서 통합 하나를 제거할 뿐입니다.

분명히 말해 두자면: Dessa는 OrcaRouter 카탈로그에 없으며, 이 글의 어떤 부분도 Dessa를 제공하겠다는 제안으로 읽혀서는 안 됩니다. Block이 API를 출시하면, 라우팅 계층은 이런 모델을 토큰당 가격이 아니라 대화 분당 가격으로 비교해 볼 가치가 있는 곳입니다.

무엇을 볼까요?

진지하게 받아들일 만한 주장은 "최초"라는 것이 아니다. 그것은 언어가 수백 배 더 적은 데이터로 음성에서 학습 가능할 수 있으며, 그 결과 모델이 전사록이 결코 할 수 없는 방식으로 대화를 이해할 수 있을지도 모른다는 주장이다. Block이 데이터 예산, 파라미터 수, 홀드아웃 평가를 포함한 논문을 발표한다면, 그 주장은 검증 가능해진다. 다음 발표가 또 다른 클립 모음이라면, 흥미로운 질문은 여전히 열린 채로 남을 것이고 — 대기 명단은 여전히 유일한 문일 것이다.