Dessa от Block обучалась только на речи — вот что демонстрации не доказывают

Block опубликовала больше дюжины записей разговоров и ни одной цифры бенчмарка. Это соотношение — самое показательное, что есть в Dessa — полнодуплексной речевой модели, которую компания Джека Дорси анонсировала 23 октября 2026 года. Dessa обучена с нуля на человеческих разговорах, без текста и без предобученных моделей, и делает действительно необычную вещь: слушает и говорит одновременно, аудио на входе и аудио на выходе, без промежуточного этапа транскрибации. Кроме того, на момент написания это исследовательский предпросмотр с доступом по списку ожидания — без числа параметров, без API, без цены, без весов и без опубликованной оценки. Демонстрации — вся публичная доказательная база.

Это не делает анонс пустым. Речевая модель, которая учит язык без текстового корпуса, подрывает допущение, которое большая часть индустрии перестала ставить под сомнение — что знание живёт в тексте, а речь — лишь тонкий интерфейс поверх него. Но пропасть между «демо ошеломляют» и «мы знаем, на что способна эта модель» широка, и собственная страница Block говорит об этой пропасти откровеннее, чем большинство постов о запуске. Предложение, которое делает больше всего работы, состоит из четырёх слов: «насколько мы знаем».

Что Block на самом деле разместил на странице

Если убрать прилагательные, подтверждённый перечень фактов окажется коротким. Всё ниже взято из собственного объявления Block или публичных заявлений компании; ничто из этого не было независимо проверено.

• Релиз — анонсирован 23 октября 2026 года как исследовательский предпросмотр, а не общедоступный продукт.

• Форма — сквозной синтез речи в речь: аудио на входе, аудио на выходе, полный дуплекс, без промежуточного текста.

• Обучение — с нуля только на человеческих диалогах. Block утверждает, что текстовые данные и предобученные модели не использовались.

• Вычисления — по словам компании, обучение проводилось на одной стойке NVIDIA GB200 NVL72.

• Локальный инференс — Block утверждает, что он работает быстрее реального времени на MacBook Pro M4 Max «или лучше».

• Доступ — ранний доступ для «небольшой группы исследователей в области безопасности ИИ», которые подают заявку с институциональной электронной почты, плюс публичный список ожидания. На странице сказано, что ссылки для запуска появятся скоро.

• Отсутствует — количество параметров, длина контекста, размер набора данных или часы аудио, продолжительность обучения, задержка в миллисекундах, результаты бенчмарков, лицензия, цена, веса и любая документация по API.

Команда — небольшая исследовательская группа внутри Block под руководством Ragavan Thurairatnam, сформированная вокруг бывших участников стартапа Dessa из Торонто, который Block приобрела в 2020 году, и она подчиняется напрямую Dorsey. Эта преемственность важна для понимания анонса: это лаборатория с восьмилетней историей в области генеративной речи, а не платёжная компания, прикручивающая демо к дорожной карте продукта. Это также объясняет, почему релиз выглядит как исследовательский артефакт, а не запуск продукта — потому что он им и является.

Полный дуплекс — вот что действительно стоит понять.

Большинство голосовых помощников работают как рация. Система ждёт, пока вы остановитесь, решает, что вы закончили, расшифровывает речь, думает, синтезирует ответ и воспроизводит его. Каждая из этих границ слышна. Вы привыкаете ждать звукового сигнала, а модель не узнаёт ничего из той полсекунды, когда вы собирались заговорить, но передумали.

Полный дуплекс — это модель телефонного разговора. Модель слушает, пока говорит, поэтому её можно перебить на полуслове, она может вставить «ага» или «понял» , пока вы говорите, и подстроить свой темп под ваш. Демонстрации Block сильно на этом строятся: Dessa смеётся посреди собственной фразы, повышает громкость по просьбе, заканчивает название фильма, которое забыл говорящий, и ахает при объявлении годовщины. The Verge, прослушавший те же клипы, описал разговоры как «немного неловкие и жутковатые» и отметил один из них, где Dessa называет своего собеседника «Роналдо».

Обе реакции могут быть верны. Полный дуплекс — это свойство взаимодействия, а не свойство интеллекта. У модели может быть безупречное соблюдение очерёдности реплик и при этом нечего интересного сказать — или блестящий ответ, поданный с расторопностью факсимильного аппарата. Демонстрации доказывают, что Block создал нечто, ведущее себя как участник разговора. Чего они доказать не могут — так это как часто оно ведёт себя так, когда никто не отбирает клип.

Что даёт обучение только на речи — и чего оно стоит

Довод в пользу обучения только на речи состоит в том, что текст отбрасывает почти всё, что несёт в себе разговор. Транскрипт «fine» — это одно слово. Аудио — это вздох, пауза, понижение тона и решение о том, стоит ли спрашивать ещё раз. Заявленный Block мотив безопасности вытекает из этого: голосовая система, которая не слышит страдания, глуха именно к тому сигналу, который важен в звонке в поддержку или на кризисную линию.

Цена в равной степени структурна. Большие языковые модели получают своё фактическое покрытие, свой код, структурированный вывод и вызов инструментов из текста. Модель, обученная только на речи, не имеет нативного интерфейса для PDF, JSON-схемы или вызова API. Block признаёт открытые вопросы на своей собственной странице: насколько эффективно модель, работающая только с речью, усваивает факты и языки по сравнению с текстовой моделью, и сохраняется ли обучение в контексте без текстового предобучения. Это не сноски. Это разница между убедительным разговорным агентом и универсальным помощником.

Есть защитимая позиция посередине: модели, нативной для речи, не нужно читать вашу электронную таблицу, если она работает в паре с чем-то, что умеет это делать. Но это архитектурный аргумент, который Block пока не привёл, а текущее превью не предоставляет никакого интерфейса, через который такая связка могла бы быть реализована.

Доказательная база — это тщательно подобранный демонстрационный ролик.

Block утверждает, что клипы — это живые записи, что никто не управляет моделью и что субтитры были добавлены позже. Это хорошие практики, и они исключают самую грубую форму демонстрационного мошенничества. Но они не исключают отбора. Команда, которая записывает много разговоров и публикует лучшие из них, сообщает вам, что хорошие разговоры существуют, а это не то же самое, что утверждение «эта модель надежна».

То, что потребуется для независимой оценки, вполне конкретно, и это стоит записать сейчас, чтобы следующее объявление можно было измерить по этим критериям:

• Отложенный набор диалогов с опубликованными промптами, а не подобранные яркие примеры.

• Сквозная задержка отклика, измеряемая от начала до конца, включая время до первой слышимой реакции, а не просто «быстрее реального времени».

• Восстановление после прерывания: как часто модель теряет нить после обрыва и как быстро она возвращается к ней.

• Разборчивость в условиях шума — именно здесь речевые системы обычно дают сбой в первую очередь.

• Заявленный бюджет вычислений и данных, чтобы утверждение о «в сотни раз меньшем количестве слов» можно было с чем-то сверить.

• Некоторая доля сохранения фактов, поскольку это и есть явный компромисс при отбрасывании текста.

Ничего из этого пока не существует. Это нормально для превью и ненормально для запуска — вот почему правильная характеристика Dessa сегодня звучит так: «результат исследования с на удивление хорошей демонстрационной страницей».

Утверждение об аппаратном обеспечении — самое тихое.

На странице фигурируют две цифры, касающиеся аппаратного обеспечения, и ни одна из них не проверена. Первая: для обучения использовался один GB200 NVL72 — одна стойка с 72 GPU Blackwell. Если это правда, перед нами поразительное заявление об эффективности использования данных: модель, способная поддерживать разговор, обучена на одной стойке — в области, где передовые текстовые модели обучаются на десятках тысяч ускорителей. Это также заявление, которое целиком зависит от масштаба: одна стойка — в течение какого времени, на скольких часах аудио, с каким количеством параметров?

Второе: инференс работает быстрее реального времени на MacBook Pro M4 Max. Топовая M4 Max имеет 128 ГБ объединённой памяти, поэтому модель, которая комфортно помещается туда, не является огромной по современным меркам. Это вывод, а не раскрытие информации. Block не опубликовала размер, квантование, объём занимаемой памяти или показатель токенов в секунду, поэтому утверждение о ноутбуке невозможно воспроизвести — можно только повторить.

Именно здесь технический читатель должен наиболее остро ощутить это отсутствие. Всё, что касается практичности модели — стоимость одного разговора, способность ли работать на телефоне, может ли API когда-либо быть дешёвым, — вытекает из числа, которое Block решил не публиковать.

Почему доступ ограничен и почему это важно для оценки

Заявленные Block причины создания Dessa — любопытство, более глубокое понимание взаимодействия человека и ИИ и безопасность. Ограничение доступа согласуется с третьей: голос, который распознаёт эмоции и убедительно ведёт беседу, — это готовый инструмент для имитации, а самый быстрый способ избежать плохих заголовков — держать его в маленькой комнате.

Компромисс заключается в том, что закрытый доступ и независимая оценка тянут в противоположные стороны. Небольшая группа исследователей безопасности вполне может получить самые полезные результаты ред-тиминга, но эти результаты появятся в сроки Block и в большинстве случаев — после проверки со стороны Block. Пока внешняя группа не опубликует цифры, общедоступные сведения состоят из роликов поставщика и впечатлений журналистов от этих роликов. Это слабое основание для фразы «превосходит всё остальное в эмоциональной выразительности» — утверждения о сравнении, которого никто не проводил.

Что могло бы превратить это в продукт?

Четыре вещи, примерно в порядке важности. Цена или файл весов — потому что любой из них говорит, кто может этим пользоваться. API или SDK — потому что модель, которую нельзя вызвать, — это лишь бумага. Бенчмарк или независимая оценка — потому что «самый аутентичный» — это не метрика. И показатель задержки в миллисекундах — потому что вся ценность полнодуплексного режима в тайминге, а тайминг — единственное, что видеоклип передать не может.

Любой из них изменил бы то, как следует читать эту статью. Все четыре сделали бы это запуском.

Если вам понадобится голосовой агент до этого

Практический стек для голосового агента в продакшене по-прежнему таков: распознавание речи, затем языковая модель, затем синтез речи. Каждый этап добавляет задержку, а каждый поставщик — это отдельный контракт. OrcaRouter — это промежуточный слой: один API перед 200+ моделями с наценкой 0% — цена из прайс-листа провайдера передаётся как есть — автоматическим переключением при сбоях между провайдерами, DSL маршрутизации, позволяющим объединить несколько моделей в один вызов, и слиянием моделей, когда нужно, чтобы панель моделей отвечала вместе. Это не превращает рацию в телефонный звонок; это убирает одну интеграцию из цепочки, пока дуплексные модели достигают зрелости.

Чтобы внести ясность в то, чего у нас нет: Dessa отсутствует в каталоге OrcaRouter, и ничто в этой статье не должно восприниматься как предложение её обслуживать. Когда Block выпустит API, именно на уровне маршрутизации такую модель будет иметь смысл сравнивать по цене за минуту разговора, а не за токен.

Что посмотреть

Утверждение, которое стоит воспринимать всерьёз, — не «первый». Оно в том, что язык, возможно, можно выучить из речи при в сотни раз меньшем объёме данных и что полученная модель, возможно, сможет понимать разговор так, как транскрипт никогда бы не смог. Если Block опубликует статью с бюджетом данных, количеством параметров и оценкой на отложенной выборке, это утверждение станет проверяемым. Если следующее объявление окажется очередным набором клипов, интересный вопрос всё ещё останется открытым — а лист ожидания всё ещё будет единственной дверью.