Dessa Voice Model: Vad Blocks enbart talbaserade AI egentligen är, och var den passar in i en röstagent

”Dessa voice model” är en rimlig sak att söka efter och en svår sak att hitta, eftersom Block inte har lanserat någon sådan. Det företaget tillkännagav den 23 oktober 2026 är en forskningsförhandsvisning av Dessa, en full-duplex tal-till-tal-modell tränad från grunden på mänskliga samtal – ingen textkorpus, ingen förtränad språkmodell, ljud in och ljud ut utan något däremellan. Det finns inget API, inget pris, ingen viktfil, ingen benchmark och inget parameterantal. Det finns också en namnkollision som är värd att reda ut först: sångerskan Dessa dyker upp i samma sökresultat, och modellens namn kommer från en startup inom talforskning i Toronto som Block förvärvade 2020, vars tidigare team nu driver det här projektet under Ragavan Thurairatnam, med rapportering till Jack Dorsey.

Vad saken är, exakt

Dessa är en end-to-end-tal-till-tal-modell. Du talar, den hör dig medan den talar, och den svarar i ljud. Det finns inget transkriberingssteg, ingen textvända och inget separat syntessteg. Block säger att modellen tränades helt på inspelade mänskliga samtal, utan textdata och utan förtränade checkpoints, och att träningen kördes på ett enda NVIDIA GB200 NVL72-rack — 72 Blackwell-GPU:er i ett rack, vilket är ett slående påstående om dataeffektivitet inom ett område där ledande textmodeller tränas på tiotusentals acceleratorer.

Ytterligare två påståenden står bredvid det. Block säger att inferens körs snabbare än realtid på en MacBook Pro M4 Max "eller bättre" – en toppmodell av M4 Max har 128 GB enhetligt minne, så en modell som får plats där med god marginal är inte enorm med dagens mått. Det är en slutsats från ett påstående, inte en redovisning: ingen uppgift om kvantisering, minnesavtryck eller tokens per sekund åtföljer det.

Det Block faktiskt publicerade är mer än ett dussin samtalsinspelningar och en uppsättning adjektiv. The Verge, som lyssnade på samma klipp, beskrev samtalen som "lite besvärande och kusliga" och pekade ut ett där modellen kallar sin samtalspartner för "Ronaldo". I de klipp Block valde ut skrattar Dessa mitt i sin egen mening, höjer volymen när den blir ombedd, fyller i en filmtitel som talaren har glömt och flämtar till när en årsdag avslöjas.

Varför "röstmodell" är rätt uttryck och "text till tal" inte är det

Åtskillnaden spelar större roll än varumärket. En text-till-tal-modell tar en sträng och returnerar ljud: den har ingen aning om vad som sades tidigare, kan inte avbrytas och kan inte avbryta. En samtalsmodell byggd för tal tar ljud och returnerar ljud, och allt som får den att kännas som en deltagare — timing, överlappning, backchanneling, den halva sekund då du var på väg att säga något men ångrade dig — finns i den del som en TTS-modell inte har.

Full-duplex är det tekniska namnet för telefonsamtalsupplägget. Modellen lyssnar medan den talar, så den kan avbrytas mitt i en mening och återhämta sig, och den kan inflika medan du pratar. Varje walkie-talkie-röstassistent du har använt har en hörbar gräns vid varje tur: den väntar på tystnad, avgör att du är klar, transkriberar, tänker, syntetiserar och spelar upp. Du lär dig vänta på pipet. En duplexmodell lär sig från ögonblicket då du nästan började tala.

Det är en interaktionsegenskap, inte en intelligensegenskap. En modell kan ha felfri turtagning och inget att säga, eller ett briljant svar levererat med timingen hos en faxmaskin. Det demoklippen visar är att Block har byggt något som beter sig som en deltagare. Det de inte kan visa är hur ofta det beter sig så när ingen väljer klippet.

Var det skulle placeras i en stack som du redan kör

Den praktiska röstagent som de flesta team använder i dag är en kedja: taligenkänning, sedan en språkmodell, sedan talsyntes. Varje steg ökar latensen, varje leverantör är ett separat avtal, och transkriptionen i mitten är där känslan, tvekan och avbrottet dör.

Latensaritmetiken förklarar varför duplexmodeller är värda att hålla ögonen på. I kedjan väntar det första hörbara svaret på att igenkännaren ska bli klar, att språkmodellen ska producera en fullständig sats och att syntetiseraren ska återge den. En duplexmodell kan börja en hörbar reaktion innan den har bestämt vad den ska säga – ett "mm" vid 200 millisekunder är ett rimligt samtalsdrag, och ett rimligt samtalsdrag är vad hela designen är till för.

Det kedjan ger dig i utbyte är allt som den enbart talbaserade modellen inte har: verktygsanrop, strukturerad utdata, sökning i dina dokument och ett inbyggt gränssnitt mot JSON. Block medger de öppna frågorna på sin egen sida – hur effektivt en enbart talbaserad modell lär sig fakta och språk jämfört med en textmodell, och om in-context learning överlever utan textförträning. Det är inte fotnoter; de utgör skillnaden mellan en övertygande konversationsagent och en allmän assistent.

Den försvarbara arkitekturen i mitten är ett röstnativt lager i par med något som kan läsa ditt kalkylblad. Det är ett argument som Block ännu inte har framfört, och den nuvarande förhandsversionen exponerar inget gränssnitt genom vilket parningen skulle kunna ske.

Vad som saknas, listat enkelt

Frånvaron är ovanligt fullständig för ett tillkännagivande som är så här synligt, så det är värt att skriva ned: parameterantal, kontextlängd, datamängdsstorlek eller timmar av ljud, träningstid, latens i millisekunder, benchmarkresultat, licens, pris, vikter och API-dokumentation. Åtkomst är tidig åtkomst för en liten grupp AI-säkerhetsforskare som ansöker med en institutionell e-postadress, plus en offentlig väntelista med lanseringslänkar som beskrivs som kommande.

De saknade siffrorna är inte lika viktiga. En pris- eller viktfil talar om vem som kan använda den. Ett API eller ett SDK är skillnaden mellan en modell och en artikel. En latenssiffra i millisekunder är det enda som ett videoklipp strukturellt sett inte kan förmedla, och för en duplexmodell är timingen produkten. Ett benchmark är det minst brådskande av de fyra, eftersom det inte finns något benchmark för konversationell överlappning som någon litar på.

Hur du utvärderar en röstmodell för ditt eget användningsfall

Om du väntar på åtkomst – eller utvärderar en annan röstnativ modell som redan har släppts – är det dessa mätvärden som avgör om den platsar i produktion. Ingen av dem är publicerad för Dessa i dag, vilket är anledningen till att listan är värd att spara.

• Held-out-samtalsuppsättning med publicerade prompter, inte utvalda höjdpunkter. Ett team som spelar in många samtal och publicerar de bästa har berättat för dig att bra samtal finns; det är inte samma sak som tillförlitlighet.

• Svarstid från början till slut, inklusive tiden till den första hörbara reaktionen, inte bara "snabbare än realtid".

• Avbrottsåterhämtning — hur ofta modellen tappar tråden efter att ha blivit avbruten, och hur snabbt den återtar den.

• Taluppfattbarhet i brus, vilket är där talsystem oftast misslyckas först och där varje demo är tyst.

• Faktabevarande, eftersom det är den uttalade avvägningen med att ta bort text från träningen.

Vad ska man göra i dag?

För allt som måste fungera nästa kvartal är stacken fortfarande igenkännare, språkmodell, syntetiserare, och den stacken kan redan sättas ihop via en enda slutpunkt: OrcaRouter routar 200+ modeller på en enda nyckel till leverantörens listpris med 0 % påslag, med automatiskt failover mellan leverantörer, ett routing-DSL som kan komponera flera modeller till ett anrop, och modellsammanslagning när du vill att en panel ska svara tillsammans. Det gör inte en walkie-talkie till ett telefonsamtal. Det tar bort en integration från kedjan medan duplexmodellerna mognar.

För att vara tydlig med vad som inte är tillgängligt: Dessa finns inte i OrcaRouter-katalogen, och inget här är ett erbjudande om att tillhandahålla det. När Block släpper ett API är routningslagret där en modell som denna skulle vara värd att jämföra på pris per konversationsminut snarare än per token – ett mått som för närvarande inte finns på någon prislista, och det mått som den här kategorin så småningom kommer att köpas på.

Den ärliga sammanfattningen

Dessa är ett genuint forskningsresultat med en ovanligt bra demosida, från ett team med åtta års arbete med tal bakom sig, släppt som en förhandsversion snarare än en produkt. Det intressanta påståendet är inte att samtalen låter mänskliga – handplockade klipp gör alltid det. Det är att en modell kan lära sig samtal enbart från ljud i ett enda rack, och att full-duplex behandlas som standardarrangemanget snarare än som en funktion.

Om det håller vid test på en held-out-uppsättning förändrar det vad en röstagent byggs av. Fram till dess är den rätta beteckningen just det: inte en röstmodell du kan anropa, utan en tydlig signal om vart stacken är på väg.

Källnot: varje Dessa-påstående i den här artikeln – tillkännagivandet den 23 oktober 2026, träning endast på tal, en enda GB200 NVL72-rack, påståendet om MacBook Pro M4 Max, åtkomstvägen via research preview, de saknade siffrorna, förvärvet 2020 och förbehållet "så vitt vi vet" – kommer från Blocks eget tillkännagivande och företagets offentliga uttalanden, lästa den 26 oktober 2026, och har inte verifierats oberoende. Beskrivningen "awkward and uncanny" och detaljen om "Ronaldo" är The Verges, från deras bevakning av samma klipp. De fem utvärderingskriterierna och latensargumentet är våra. OrcaRouters beskrivning av routning, prissättning och failover är vårt eget publicerade produktbeteende.