Dessa firmy Block została wytrenowana wyłącznie na mowie — oto czego dema nie dowodzą

Block opublikował ponad tuzin nagrań rozmów i ani jednego wyniku benchmarku. Ta proporcja jest najbardziej pouczającą rzeczą w Dessa, pełnodupleksowym modelu mowy, który firma Jacka Dorseya ogłosiła 23 października 2026 r. Dessa jest trenowana od podstaw na ludzkich rozmowach, bez tekstu i bez wstępnie wytrenowanych modeli, i robi coś naprawdę niezwykłego: słucha i mówi jednocześnie, dźwięk na wejściu i dźwięk na wyjściu, bez etapu transkrypcji pośrodku. Jest też, w chwili pisania tego tekstu, badawczym podglądem dostępnym tylko po zapisaniu się na listę oczekujących — bez liczby parametrów, bez API, bez ceny, bez wag i bez opublikowanej ewaluacji. Dema są całą publiczną bazą dowodów.

To nie czyni tej zapowiedzi pustą. Model mowy, który uczy się języka bez korpusu tekstowego, podważa założenie, którego większość branży przestała już kwestionować — że wiedza mieszka w tekście, a mowa to jedynie cienka warstwa interfejsu na wierzchu. Ale przepaść między „dema są zaskakujące” a „wiemy, co ten model potrafi” jest szeroka, a własna strona Blocka mówi o tej przepaści szczerzej niż większość wpisów zapowiadających premierę. Zdanie, które wnosi najwięcej, liczy cztery słowa: „z tego, co wiemy”.

Co Block faktycznie umieścił na stronie

{{1}}Odrzuć przymiotniki, a potwierdzony zapis jest krótki. Wszystko poniżej pochodzi z własnego ogłoszenia Blocka lub publicznych oświadczeń spółki; nic tutaj nie zostało niezależnie zweryfikowane.{{/1}}

• Premiera — ogłoszona 23 października 2026 r. jako podgląd badawczy, a nie ogólnie dostępny produkt.

• Forma — end-to-end, mowa na mowę: dźwięk na wejściu, dźwięk na wyjściu, pełny dupleks, bez pośredniego tekstu.

• Trening — od zera, wyłącznie na ludzkich rozmowach. Block twierdzi, że nie wykorzystano danych tekstowych ani wstępnie wytrenowanych modeli.

• Moc obliczeniowa — według firmy trening odbywał się na pojedynczej szafie rackowej NVIDIA GB200 NVL72.

• Wnioskowanie lokalne — Block twierdzi, że działa szybciej niż w czasie rzeczywistym na MacBooku Pro M4 Max „lub lepszym”.

• Dostęp — wczesny dostęp dla „małej grupy badaczy bezpieczeństwa AI”, którzy zgłoszą się z instytucjonalnego adresu e-mail, oraz publiczna lista oczekujących. Strona informuje, że linki startowe pojawią się wkrótce.

• Brak — liczba parametrów, długość kontekstu, rozmiar zbioru danych lub liczba godzin nagrań audio, czas trenowania, opóźnienie w milisekundach, wyniki benchmarków, licencja, cena, wagi oraz jakakolwiek dokumentacja API.

Zespół to niewielka grupa badawcza wewnątrz Block, kierowana przez Ragavana Thurairatnama, zbudowana wokół byłych członków torontońskiego startupu Dessa, który Block przejął w 2020 roku, i podlega bezpośrednio Dorseyowi. To pochodzenie ma znaczenie przy odczytywaniu ogłoszenia: to laboratorium z ośmioletnią historią w generatywnej mowie, a nie firma płatnicza przykręcająca demo do planu rozwoju produktu. Wyjaśnia też, dlaczego publikacja wygląda jak artefakt badawczy, a nie premiera produktu — bo nim jest.

Full-duplex to ta część, którą warto zrozumieć

Większość asystentów głosowych działa jak krótkofalówka. System czeka, aż przestaniesz mówić, uznaje, że skończyłeś, transkrybuje, myśli, syntezuje odpowiedź i ją odtwarza. Każda z tych granic jest słyszalna. Uczysz się czekać na piknięcie, a model nie uczy się niczego z tej pół sekundy, w której miałeś już zacząć mówić, ale zmieniłeś zdanie.

Full-duplex to model rozmowy telefonicznej. Model słucha, gdy mówi, więc można mu przerwać w połowie zdania, może wtrącić „yeah” lub „got it”, gdy mówisz, i może dostosować swoje tempo do twojego. Dema Blocka mocno na tym polegają: Dessa śmieje się w środku własnego zdania, podnosi głośność, gdy się o to poprosi, dokańcza tytuł filmu, który mówiący zapomniał, i wzdycha z zaskoczenia przy ujawnieniu rocznicy. The Verge, które wysłuchało tych samych klipów, opisało rozmowy jako „trochę niezręczne i niesamowite” i zwróciło uwagę na jedną, w której Dessa nazywa swojego rozmówcę „Ronaldo”.

Obie reakcje mogą być prawdziwe. Pełny dupleks to cecha interakcji, a nie cecha inteligencji. Model może bezbłędnie prowadzić naprzemienną rozmowę i nie mieć nic interesującego do powiedzenia albo udzielić błyskotliwej odpowiedzi z timingiem faksu. Dema dowodzą, że Block zbudował coś, co zachowuje się jak uczestnik. Nie dowodzą jednak, jak często zachowuje się tak, gdy nikt nie wybiera klipu.

Co daje trening wyłącznie na mowie i ile to kosztuje

Argument za trenowaniem wyłącznie na mowie jest taki, że tekst odrzuca niemal wszystko, co niesie ze sobą rozmowa. Transkrypcja „dobrze” to jedno słowo. Audio to westchnienie, pauza, spadek wysokości głosu i decyzja, czy zapytać ponownie. Deklarowany przez Block motyw bezpieczeństwa wynika z tego wprost: system głosowy, który nie potrafi usłyszeć cierpienia, jest głuchy dokładnie na ten sygnał, który ma znaczenie w rozmowie z infolinią wsparcia czy na linii kryzysowej.

Koszt jest równie strukturalny. Duże modele językowe czerpią swoje pokrycie faktograficzne, kod, ustrukturyzowane dane wyjściowe i wywoływanie narzędzi z tekstu. Model trenowany wyłącznie na mowie nie ma natywnego interfejsu do pliku PDF, schematu JSON ani wywołania API. Block przyznaje na własnej stronie, że pewne kwestie pozostają otwarte: jak efektywnie model wyłącznie mowy uczy się faktów i języków w porównaniu z modelem tekstowym oraz czy uczenie się w kontekście przetrwa bez wstępnego trenowania na tekście. To nie są przypisy. To różnica między przekonującym agentem konwersacyjnym a asystentem ogólnego przeznaczenia.

Istnieje możliwa do obrony pozycja pośrodku: model natywnie obsługujący mowę nie musi czytać Twojego arkusza kalkulacyjnego, jeśli zostanie połączony z czymś, co to potrafi. Ale to argument architektoniczny, którego Block jeszcze nie przedstawił, a obecna wersja zapoznawcza nie udostępnia żadnego interfejsu, przez który takie połączenie mogłoby nastąpić.

Baza dowodów to wyselekcjonowany pokazowy materiał demo

Block twierdzi, że nagrania są zapisami rozmów na żywo, że nikt nie steruje modelem i że napisy dodano później. To dobre praktyki i wykluczają najbardziej ordynarną formę oszustwa w demach. Nie wykluczają jednak selekcji. Zespół, który nagrywa wiele rozmów i publikuje najlepsze z nich, powiedział ci, że dobre rozmowy istnieją, co nie jest tym samym twierdzeniem co „ten model jest niezawodny”.

To, czego wymagałaby niezależna ocena, jest konkretne i warte zapisania już teraz, aby następne ogłoszenie można było odnieść do tych kryteriów:

• Wydzielony zbiór rozmów z opublikowanymi promptami, a nie wyselekcjonowane najciekawsze przykłady.

• Opóźnienie odpowiedzi mierzone od początku do końca, w tym czas do pierwszej słyszalnej reakcji, a nie tylko „szybciej niż w czasie rzeczywistym”.

• Odzyskiwanie po przerwaniu: jak często model traci wątek po przerwaniu i jak szybko do niego wraca.

• Zrozumiałość w warunkach hałasu — i to jest obszar, w którym systemy mowy zwykle zawodzą najwcześniej.

• Zadeklarowany budżet obliczeniowy i budżet danych, dzięki czemu twierdzenie o „setki razy mniejszej liczbie słów" można odnieść do konkretnych wartości.

• Pewien stopień zachowania faktów, ponieważ jest to wyraźny kompromis związany z pomijaniem tekstu.

Żaden z tych elementów jeszcze nie istnieje. To normalne w przypadku zapowiedzi i nienormalne w przypadku premiery, dlatego właściwym określeniem Dessy jest dziś „wynik badań z wyjątkowo dobrą stroną demonstracyjną”.

Twierdzenie dotyczące sprzętu jest tym cichym.

Na stronie widnieją dwie liczby dotyczące sprzętu i żadna z nich nie została zweryfikowana. Pierwsza mówi, że do treningu użyto jednego GB200 NVL72 — pojedynczej szafy mieszczącej 72 GPU Blackwell. Jeśli to prawda, jest to uderzające twierdzenie o efektywności danych: model, który prowadzi rozmowę, wytrenowany na jednej szafie, w dziedzinie, w której czołowe modele tekstowe trenowane są na dziesiątkach tysięcy akceleratorów. To także rodzaj twierdzenia, które w całości zależy od skali: jedna szafa przez jak długo, na jak wielu godzinach audio, z ilu parametrami?

Po drugie, wnioskowanie działa szybciej niż w czasie rzeczywistym na MacBooku Pro M4 Max. Najwyższy model M4 Max ma 128 GB zunifikowanej pamięci, więc model, który się tam wygodnie mieści, nie jest ogromny według współczesnych standardów. To wniosek, a nie ujawnienie. Block nie opublikował rozmiaru, kwantyzacji, zużycia pamięci ani wskaźnika tokenów na sekundę, więc twierdzenia o laptopie nie można odtworzyć, można je tylko powtarzać.

To jest miejsce, w którym techniczny czytelnik powinien najdotkliwiej odczuć ten brak. Wszystko, co dotyczy praktyczności modelu — koszt jednej rozmowy, to, czy da się go uruchomić na telefonie, czy API mogłoby kiedykolwiek być tanie — wynika z liczby, której Block postanowił nie publikować.

Dlaczego dostęp jest ograniczony i dlaczego ma to znaczenie dla ewaluacji

Block jako powody zbudowania Dessa podaje ciekawość, lepsze zrozumienie interakcji między człowiekiem a AI oraz bezpieczeństwo. Ograniczenie dostępu jest spójne z trzecim powodem: głos, który odczytuje emocje i przekonująco rozmawia, jest gotowym narzędziem do podszywania się, a najszybszym sposobem uniknięcia złego nagłówka jest trzymanie go w małym pokoju.

Kompromis polega na tym, że kontrolowany dostęp i niezależna ocena ciągną w przeciwnych kierunkach. Niewielka grupa badaczy bezpieczeństwa może z powodzeniem uzyskać najbardziej użyteczne wyniki testów red team, ale wyniki te pojawią się zgodnie z harmonogramem Blocka i w większości przypadków będą podlegać przeglądowi przez Blocka. Dopóki zewnętrzna grupa nie opublikuje danych liczbowych, publiczny zapis składa się z klipów dostawcy oraz wrażeń dziennikarzy z klipów dostawcy. To wątła podstawa dla sformułowania „przewyższa wszystko inne pod względem wyrazu emocjonalnego”, które jest twierdzeniem o porównaniu, którego nikt nie przeprowadził.

Co zamieniłoby to w produkt?

Cztery rzeczy, mniej więcej w kolejności ważności. Cena albo plik z wagami, bo każde z nich mówi, kto może z tego korzystać. API albo SDK, bo model, którego nie da się wywołać, to tylko papier. Benchmark albo niezależna ewaluacja, bo „najbardziej autentyczny” to nie metryka. I wartość opóźnienia w milisekundach, bo cała wartość pełnego dupleksu tkwi w timingu, a timingu nie odda żaden klip wideo.

Każdy z tych elementów zmieniłby sposób, w jaki należy czytać ten artykuł. Wszystkie cztery sprawiłyby, że byłby to launch.

Jeśli potrzebujesz agenta głosowego wcześniej

Praktyczny stos produkcyjnego agenta głosowego nadal składa się z rozpoznawania mowy, następnie modelu językowego, a potem syntezy mowy. Każdy przeskok dodaje opóźnienie, a każdy dostawca to osobna umowa. OrcaRouter to warstwa pośrednia: jedno API przed ponad 200 modelami, z 0% narzutu — cena katalogowa dostawcy przekazywana bez zmian — automatycznym przełączaniem awaryjnym między dostawcami, DSL routingu, który potrafi złożyć kilka modeli w jedno wywołanie, oraz fuzją modeli, gdy chcesz, aby zespół modeli odpowiadał wspólnie. To nie zamienia krótkofalówki w rozmowę telefoniczną; usuwa jedną integrację z łańcucha, podczas gdy modele dupleksowe dojrzewają.

Mówiąc wprost, czego nie mamy: Dessa nie znajduje się w katalogu OrcaRouter i nic w tym artykule nie powinno być odczytywane jako oferta jej obsługi. Gdy Block udostępni API, warstwa routingu będzie miejscem, w którym model taki jak ten warto porównywać pod kątem ceny za minutę rozmowy, a nie za token.

Co obejrzeć

Twierdzenie, które warto potraktować poważnie, nie dotyczy tego, kto był „pierwszy”. Chodzi o to, że języka można by się uczyć z mowy przy setki razy mniejszej ilości danych i że powstały w ten sposób model mógłby rozumieć rozmowę w sposób, w jaki transkrypcja nigdy nie potrafiłaby. Jeśli Block opublikuje artykuł zawierający budżet danych, liczbę parametrów i ewaluację na zbiorze wydzielonym, twierdzenie to stanie się weryfikowalne. Jeśli kolejnym ogłoszeniem będzie kolejny zestaw klipów, ciekawe pytanie pozostanie otwarte — a lista oczekujących wciąż będzie jedynymi drzwiami.