Dessa Voice Model: что на самом деле представляет собой ИИ Block, работающий только с речью, и где он вписывается в голосового агента

«Dessa voice model» — разумный поисковый запрос, но найти по нему что-то трудно, потому что Block не выпустила такую модель. То, что компания анонсировала 23 октября 2026 года, — это исследовательский превью Dessa, полнодуплексной модели «речь в речь», обученной с нуля на человеческих разговорах: без текстового корпуса, без предобученной языковой модели, аудио на входе и аудио на выходе, без чего-либо посередине. Нет ни API, ни цены, ни файла весов, ни бенчмарка, ни количества параметров. Есть также путаница с названиями, которую стоит прояснить сразу: певица Dessa появляется в тех же результатах поиска, а название модели происходит от торонтского стартапа в области речевых исследований, который Block приобрела в 2020 году; его бывшая команда теперь ведёт этот проект под руководством Рагавана Турайратнама, который подчиняется Джеку Дорси.

Что именно это за вещь

Dessa — это сквозная модель речи в речь. Вы говорите, она слышит вас, пока говорит сама, и отвечает аудио. Здесь нет этапа транскрипции, нет текстового хода и нет отдельного этапа синтеза. Block утверждает, что модель обучалась исключительно на записанных человеческих разговорах, без текстовых данных и без предварительно обученных контрольных точек, и что обучение проходило на одной стойке NVIDIA GB200 NVL72 — 72 GPU Blackwell в одной стойке, что является поразительным заявлением об эффективности использования данных в области, где передовые текстовые модели обучаются на десятках тысяч ускорителей.

Рядом с ним находятся еще два утверждения. Block заявляет, что инференс работает быстрее реального времени на MacBook Pro M4 Max «или лучше» — топовый M4 Max имеет 128 ГБ унифицированной памяти, поэтому модель, которая комфортно там помещается, по нынешним меркам не является огромной. Это вывод из утверждения, а не раскрытие: к нему не прилагается ни квантование, ни объем занимаемой памяти, ни показатель токенов в секунду.

То, что Block опубликовал, — это более дюжины записей разговоров и набор прилагательных. The Verge, прослушавший те же клипы, описал разговоры как «немного неловкие и жутковатые» и отметил один, в котором модель называет своего собеседника «Роналду». В клипах, отобранных Block, Dessa смеётся посреди собственной фразы, повышает громкость по просьбе, договаривает название фильма, которое забыл говорящий, и ахает при раскрытии подробностей годовщины.

Почему «голосовая модель» — правильная формулировка, а «текст в речь» — нет

Различие важнее брендинга. Модель text-to-speech принимает строку и возвращает аудио: она понятия не имеет, что было сказано раньше, её нельзя прервать, и она сама не может прервать. Разговорная модель, нативная для речи, принимает аудио и возвращает аудио, а всё, что заставляет её восприниматься как участника разговора, — тайминг, перекрытие реплик, поддакивание, та половина секунды, когда вы уже собирались заговорить и передумали, — живёт в той части, которой у модели TTS нет.

Полный дуплекс — это техническое название схемы телефонного разговора. Модель слушает, пока говорит, поэтому её можно перебить на полуслове, и она восстановится, а также она может вклиниться, пока говорите вы. У каждого голосового ассистента, работающего как рация, которым вы пользовались, есть слышимая граница при каждой смене реплики: он ждёт тишины, решает, что вы закончили, транскрибирует, думает, синтезирует и воспроизводит. Вы привыкаете ждать сигнала. Дуплексная модель учится с того момента, когда вы почти заговорили.

Это свойство взаимодействия, а не свойство интеллекта. Модель может безупречно соблюдать очерёдность реплик и не сказать ничего по существу — или выдать блестящий ответ с расторопностью факсимильного аппарата. Демонстрационные ролики доказывают лишь то, что Block создал нечто, ведущее себя как участник диалога. Чего они доказать не могут — насколько часто оно ведёт себя так, когда никто не отбирает ролик.

Где бы он находился в стеке, который вы уже используете

Практический голосовой агент, которого большинство команд использует сегодня, — это цепочка: распознавание речи, затем языковая модель, затем синтез речи. Каждый переход добавляет задержку, каждый поставщик — это отдельный контракт, а транскрипт посередине — это место, где умирают эмоции, запинки и перебивания.

Арифметика задержки объясняет, почему дуплексные модели заслуживают внимания. В цепочке первый слышимый ответ ждёт, пока распознаватель закончит работу, языковая модель создаст целое предложение, а синтезатор его озвучит. Дуплексная модель может начать слышимую реакцию ещё до того, как решила, что сказать, — «мм» через 200 миллисекунд — это правдоподобный разговорный ход, а правдоподобный разговорный ход — это именно то, для чего всё и задумано.

Что цепочка даёт вам взамен — это всё то, чего нет у чисто речевой модели: вызов инструментов, структурированный вывод, поиск по вашим документам и нативный интерфейс к JSON. Block признаёт открытые вопросы на своей странице — насколько эффективно чисто речевая модель 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 ассистентом.

Защищаемая архитектура посередине — это речевой слой, изначально ориентированный на речь, в паре с чем-то, что умеет читать вашу электронную таблицу. Это тот аргумент, который Block ещё не привёл, а текущая предварительная версия не предоставляет интерфейса, через который такая связка могла бы возникнуть.

Что отсутствует — перечислено без прикрас.

Для столь заметного анонса отсутствие информации на удивление полное, поэтому стоит зафиксировать: число параметров, длина контекста, размер набора данных или количество часов аудио, длительность обучения, задержка в миллисекундах, результаты бенчмарков, лицензия, цена, веса и документация API. Доступ — ранний доступ для небольшой группы исследователей в области безопасности ИИ, которые подают заявку с институциональной электронной почтой, а также публичный лист ожидания со ссылками для запуска, о которых сказано, что они появятся скоро.

Недостающие числа не одинаково важны. Цена или файл с весами определяют, кому модель доступна. API или SDK — это разница между моделью и статьёй. Показатель задержки в миллисекундах — то единственное, что видеоклип структурно передать не может, а для дуплексной модели тайминг и есть продукт. Бенчмарк — наименее срочный из четырёх, потому что не существует бенчмарка для перекрытия реплик в разговоре, которому кто-либо доверяет.

Как оценить голосовую модель для собственного сценария использования

Если вы ждёте доступа — или оцениваете другую нативную речевую модель, которая уже вышла, — вот метрики, которые определяют, пригодна ли она для продакшена. Сегодня ни одна из них не опубликована для Dessa, поэтому этот список стоит сохранить.

• Отложенный набор диалогов с опубликованными промптами, а не избранные лучшие примеры. Команда, которая записывает множество диалогов и публикует лучшие, сообщила вам, что хорошие диалоги существуют; это не то же самое утверждение, что надёжность.

• Сквозная задержка ответа, 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 возвращается к ней.

• Разборчивость в условиях шума — именно там речевые системы обычно сдают первыми, и именно там молчит любая демонстрация.

• Сохранение фактов, поскольку это явный компромисс при исключении текста из обучения.

Что делать сегодня

Для всего, что должно работать в следующем квартале, стек по-прежнему таков: распознаватель, языковая модель, синтезатор — и этот стек уже можно собрать через одну конечную точку: OrcaRouter маршрутизирует 200+ моделей по одному ключу по прайс-листу провайдеров с наценкой 0%, с автоматическим переключением при сбое между провайдерами, DSL маршрутизации, позволяющим объединить несколько моделей в один вызов, и объединением моделей, когда нужно, чтобы отвечала целая панель. Это не превращает рацию в телефонный звонок. Это убирает одну интеграцию из цепочки, пока дуплексные модели достигают зрелости.

Чтобы внести ясность в вопрос о том, что недоступно: Dessa отсутствует в каталоге OrcaRouter, и ничто здесь не является предложением по её обслуживанию. Когда Block выпустит API, именно на уровне маршрутизации такую модель стоило бы сравнивать по цене за минуту разговора, а не за токен — метрике, которой сейчас нет ни в одном прайс-листе, и именно по ней эта категория в конечном итоге будет покупаться.

Честное резюме

Dessa — это настоящий исследовательский результат с необычно хорошей демонстрационной страницей, от команды, за плечами которой восемь лет работы над речью, выпущенный скорее как предварительная версия, чем как продукт. Интересно здесь не утверждение, что разговоры звучат по-человечески — отобранные клипы всегда так звучат. Интересно то, что модель может научиться вести разговор только по аудио на одной стойке и что полный дуплекс рассматривается как режим по умолчанию, а не как функция.

Если это подтвердится на отложенной выборке, это изменит то, из чего строится голосовой агент. До тех пор правильное обозначение — именно такое: не голосовая модель, которую можно вызвать, а чёткий сигнал о том, куда движется стек.

Примечание об источниках: каждое утверждение о Dessa в этой статье — анонс от 23 октября 2026 года, обучение исключительно на речи, единственная стойка GB200 NVL72, утверждение о MacBook Pro M4 Max, способ доступа через исследовательское превью, отсутствующие цифры, приобретение в 2020 году и оговорка «насколько нам известно» — происходит из собственного анонса Block и публичных заявлений компании, прочитанных 26 октября 2026 года, и не было независимо проверено. Описание «неловкий и жутковатый» и деталь про «Роналду» принадлежат The Verge и взяты из его материала о тех же клипах. Пять критериев оценки и аргумент о задержке — наши. Описание маршрутизации, ценообразования и отказоустойчивости OrcaRouter — это наше собственное опубликованное описание поведения продукта.