Dessa Voice Model: Block의 음성 전용 AI의 실체와 음성 에이전트에서의 활용 위치

“Dessa voice model”은 검색할 만한 대상이지만 찾기는 어려운데, Block이 아직 그런 모델을 출시하지 않았기 때문입니다. 회사가 2026년 10월 23일에 발표한 것은 Dessa의 연구 프리뷰입니다. Dessa는 인간 대화로 처음부터 학습한 전이중 음성-음성 모델로, 텍스트 코퍼스도, 사전 학습된 언어 모델도 없이 오디오 입력과 오디오 출력만 있고 중간에는 아무것도 없습니다. API도, 가격도, 가중치 파일도, 벤치마크도, 파라미터 수도 없습니다. 먼저 짚고 넘어갈 이름 충돌도 있습니다. 가수 Dessa가 같은 검색 결과에 나타나며, 모델 이름은 Block이 2020년에 인수한 토론토의 음성 연구 스타트업에서 왔습니다. 이 스타트업 출신 팀은 현재 Ragavan Thurairatnam 아래에서 이 프로젝트를 운영하고 Jack Dorsey에게 보고합니다.

그것이 정확히 무엇인지

Dessa는 종단간 음성-대-음성 모델이다. 사용자가 말하면 모델은 말하는 동안에도 사용자의 말을 듣고, 오디오로 답한다. 전사 단계도, 텍스트 턴도, 별도의 합성 단계도 없다. Block은 이 모델이 텍스트 데이터나 사전 학습된 체크포인트 없이 전적으로 녹음된 인간 대화로만 학습되었으며, 학습은 단일 NVIDIA GB200 NVL72 랙 — 한 랙에 72개의 Blackwell GPU — 에서 진행되었다고 말한다. 이는 프런티어 텍스트 모델들이 수만 개의 가속기로 학습되는 분야에서 놀라운 데이터 효율성 주장이다.

그 옆에는 두 가지 주장이 더 있습니다. Block은 추론이 MacBook Pro M4 Max "또는 그 이상"에서 실시간보다 빠르게 실행된다고 말합니다. 최상위 M4 Max는 128GB 통합 메모리를 탑재하므로, 그곳에 여유롭게 들어가는 모델은 현재 기준으로 거대하지 않습니다. 그것은 공개가 아니라 주장에서 나온 추론입니다. 양자화, 메모리 사용량, 초당 토큰 수 수치는 이에 함께 제시되지 않습니다.

Block이 공개한 것은 십여 개가 넘는 대화 녹음과 일련의 형용사들이었다. 같은 클립을 들은 The Verge는 그 대화들을 "약간 어색하고 기이하다"고 묘사했으며, 모델이 대화 상대를 "Ronaldo"라고 부르는 클립 하나를 지적했다. Block이 고른 클립들에서 Dessa는 자기 문장 중간에 웃고, 요청받으면 목소리를 높이며, 화자가 잊어버린 영화 제목을 대신 말해 주고, 기념일 공개 장면에서는 숨을 들이켠다.

왜 "음성 모델"이 올바른 표현이고 "텍스트 음성 변환"은 아닌가

차이는 브랜딩보다 더 중요하다. 텍스트 음성 변환 모델은 문자열을 받아 오디오를 반환한다. 이전에 무슨 말이 오갔는지 전혀 모르고, 중단될 수도 없으며, 중단시킬 수도 없다. 음성 네이티브 대화형 모델은 오디오를 받아 오디오를 반환하며, 그것을 참여자처럼 느껴지게 만드는 모든 것—타이밍, 겹침, 맞장구, 말하려다 마음을 바꾼 반 초—은 TTS 모델에 없는 부분에 존재한다.

전이중은 전화 통화 방식의 기술적 명칭이다. 모델은 말하는 동안 동시에 듣기 때문에 문장 중간에 끊겨도 복구할 수 있고, 당신이 말하는 동안 끼어들 수도 있다. 당신이 사용해 본 모든 워키토키 음성 비서는 매 차례마다 들리는 경계가 있다. 침묵을 기다렸다가 당신이 말을 마쳤다고 판단하고, 전사하고, 생각하고, 합성해 재생한다. 당신은 삐 소리를 기다리는 법을 배운다. 듀플렉스 모델은 당신이 말을 거의 시작하려는 순간부터 배운다.

그것은 지능의 속성이 아니라 상호작용의 속성이다. 모델은 완벽한 대화 차례 지키기를 갖추고도 할 말이 없을 수 있고, 훌륭한 답변을 팩스 기계 같은 타이밍에 내놓을 수도 있다. 데모 클립이 입증하는 것은 Block이 참여자처럼 행동하는 무언가를 만들었다는 점이다. 그것이 입증하지 못하는 것은 아무도 클립을 고르지 않을 때 그것이 얼마나 자주 그렇게 행동하는가이다.

이미 운영 중인 스택에서 어디에 위치하게 될지

오늘날 대부분의 팀이 운영하는 실용적인 음성 에이전트는 체인입니다. 음성 인식, 그다음 언어 모델, 그다음 음성 합성입니다. 각 단계는 지연을 더하고, 각 벤더는 별도의 계약이며, 중간의 트랜스크립트는 감정과 망설임, 끼어들기가 죽어가는 곳입니다.

지연 시간 산술은 듀플렉스 모델을 주목할 가치가 있는 이유를 설명해 준다. 이 체인에서 첫 가청 응답은 인식기가 끝나기를, 언어 모델이 완전한 절을 생성하기를, 합성기가 그것을 렌더링하기를 기다린다. 듀플렉스 모델은 무엇을 말할지 결정하기 전에 가청 반응을 시작할 수 있다 — 200밀리초에 나오는 “음”은 충분히 자연스러운 대화적 반응이며, 바로 그런 자연스러운 대화적 반응이 이 설계 전체의 목적이다.

그 대신 체인이 제공하는 것은 음성 전용 모델에 없는 모든 것입니다. 도구 호출, 구조화된 출력, 문서에 대한 검색, 그리고 JSON에 대한 네이티브 인터페이스입니다. Block은 자사 페이지에서 열린 질문들도 인정합니다. 음성 전용 모델이 텍스트 모델에 비해 사실과 언어를 얼마나 효율적으로 학습하는지, 그리고 텍스트 사전 학습 없이도 문맥 내 학습이 유지되는지입니다. 이는 각주가 아닙니다. 매력적인 대화형 에이전트와 범용 어시스턴트를 가르는 차이입니다.

가운데에 있는 방어 가능한 아키텍처는 음성 네이티브 계층과 사용자의 스프레드시트를 읽을 수 있는 무언가를 짝지은 것입니다. 이는 Block이 아직 제기하지 않은 논점이며, 현재의 프리뷰는 그 결합이 이루어질 수 있는 인터페이스를 전혀 노출하지 않습니다.

빠진 것은 무엇인지, 간단히 나열하면

이렇게 눈에 띄는 발표치고는 빠진 내용이 유난히 완전해서, 적어 둘 만하다: 파라미터 수, 컨텍스트 길이, 데이터셋 크기 또는 오디오 시간, 학습 기간, 밀리초 단위 지연 시간, 벤치마크 점수, 라이선스, 가격, 가중치, API 문서. 접근 권한은 기관 이메일로 신청하는 소규모 AI 안전 연구자 그룹을 위한 얼리 액세스이며, 출시 링크가 곧 공개될 예정이라고 설명된 공개 대기자 명단도 있다.

빠진 숫자들이 모두 같은 중요도를 갖는 것은 아니다. 가격이나 가중치 파일은 누가 그것을 사용할 수 있는지를 알려준다. API나 SDK는 모델과 논문 사이의 차이다. 밀리초 단위의 지연 수치는 비디오 클립이 구조적으로 전달할 수 없는 단 하나의 요소이며, 듀플렉스 모델에서 타이밍은 곧 제품이다. 벤치마크는 네 가지 중 가장 긴급하지 않은데, 대화형 중첩에 대해 누구나 신뢰하는 벤치마크가 존재하지 않기 때문이다.

자신의 사용 사례에 맞게 음성 모델을 평가하는 방법

액세스를 기다리고 있거나 — 이미 출시된 다른 음성 네이티브 모델을 평가하고 있다면 — 이것들은 해당 모델이 프로덕션에 적합한지를 결정하는 측정 지표입니다. 오늘날 Dessa에 대해서는 이 중 어느 것도 공개되어 있지 않으며, 그렇기 때문에 이 목록은 보관할 가치가 있습니다.

• 공개된 프롬프트가 포함된 홀드아웃 대화 세트이며, 선별된 하이라이트가 아닙니다. 많은 대화를 기록하고 그중 최고만 공개하는 팀은 좋은 대화가 존재한다고 말해 준 것입니다. 그것은 신뢰성에 관한 주장과는 다릅니다.

• 단순히 "실시간보다 빠름"이 아니라, 첫 가청 반응까지 걸리는 시간을 포함한 엔드투엔드 응답 지연

• 인터럽션 복구 — 모델이 중단된 후 대화 흐름을 놓치는 빈도와 얼마나 빨리 다시 복귀하는지.

• 소음 속 명료도 — 음성 시스템이 보통 가장 먼저 실패하는 지점이자, 모든 데모가 조용히 넘어가는 부분입니다.

• 사실 보존: 훈련에서 텍스트를 제외하는 것의 명시적 트레이드오프이기 때문입니다.

오늘 무엇을 할까

다음 분기에 작동해야 하는 모든 것에 대해, 스택은 여전히 인식기, 언어 모델, 합성기이며, 그 스택은 이미 하나의 엔드포인트를 통해 구성할 수 있습니다. OrcaRouter는 200개 이상의 모델을 하나의 키로 공급자 정가에 0% 마크업으로 라우팅하며, 공급자 간 자동 페일오버, 여러 모델을 하나의 호출로 구성할 수 있는 라우팅 DSL, 그리고 여러 모델이 함께 답하는 패널을 원할 때의 모델 퓨전을 제공합니다. 그렇다고 해서 무전기가 전화 통화가 되는 것은 아닙니다. 양방향 모델이 성숙해지는 동안 체인에서 통합 하나를 제거할 뿐입니다.

분명히 밝히자면: Dessa는 OrcaRouter 카탈로그에 없으며, 여기 어떤 내용도 Dessa를 제공하겠다는 제안이 아닙니다. Block이 API를 출시하면, 라우팅 계층은 이런 모델을 토큰당 가격이 아니라 대화 1분당 가격으로 비교할 가치가 있는 곳입니다 — 이는 현재 어떤 요금표에도 존재하지 않는 지표이며, 이 범주가 결국 구매 기준으로 삼게 될 바로 그 지표입니다.

솔직한 요약

Dessa는 8년간 음성 연구를 해온 팀이 제품이 아닌 프리뷰 형태로 공개한, 유난히 훌륭한 데모 페이지를 갖춘 진정한 연구 성과입니다. 흥미로운 주장은 대화가 사람처럼 들린다는 것이 아닙니다. 선별된 클립은 언제나 그렇게 들리니까요. 핵심은 모델이 단일 랙에서 오디오만으로 대화를 학습할 수 있다는 것, 그리고 전이중(full-duplex)이 기능이 아니라 기본 방식으로 취급되고 있다는 점입니다.

그것이 홀드아웃 세트에서도 견고하게 유지된다면, 음성 에이전트가 무엇으로 만들어지는지를 바꾸는 일이 됩니다. 그때까지는 지금 있는 그대로의 명칭이 옳습니다. 호출할 수 있는 음성 모델이 아니라, 스택이 어디로 향하고 있는지에 대한 분명한 신호인 것입니다.

출처 메모: 이 기사에 나오는 Dessa 관련 주장, 즉 2026년 10월 23일 발표, 음성 전용 학습, 단일 GB200 NVL72 랙, MacBook Pro M4 Max 주장, 연구 프리뷰 접근 경로, 누락된 수치, 2020년 인수, 그리고 "우리가 아는 한"이라는 완곡 표현은 모두 2026년 10월 26일에 확인한 Block의 자체 발표와 회사의 공개 성명에서 나온 것으로, 독립적으로 검증되지 않았습니다. "어색하고 기묘하다"는 설명과 "호날두" 관련 세부 사항은 동일한 클립을 다룬 The Verge 보도에서 나온 것입니다. 다섯 가지 평가 기준과 지연 시간 논거는 우리 것입니다. OrcaRouter의 라우팅, 가격 책정, 장애 조치 설명은 우리가 공개한 자체 제품 동작입니다.