Dessa ของ Block ถูกเทรนด้วยเสียงพูดเพียงอย่างเดียว — นี่คือสิ่งที่เดโมไม่ได้พิสูจน์

Block เผยแพร่บันทึกการสนทนามากกว่าสิบสองรายการ และไม่มีตัวเลข benchmark แม้แต่ตัวเดียว สัดส่วนนี้เป็นสิ่งที่บอกข้อมูลได้มากที่สุดเกี่ยวกับ Dessa โมเดลเสียงแบบ full-duplex ที่บริษัทของ Jack Dorsey ประกาศเมื่อวันที่ 23 ตุลาคม 2026 Dessa ฝึกตั้งแต่เริ่มต้นด้วยบทสนทนาของมนุษย์ โดยไม่มีข้อความและไม่มีโมเดลที่ผ่านการฝึกมาก่อน และมันทำสิ่งที่ไม่ปกติอย่างแท้จริง: มันฟังและพูดพร้อมกัน เสียงเข้าและเสียงออก โดยไม่มีขั้นตอนถอดเสียงในระหว่างนั้น นอกจากนี้ ณ เวลาที่เขียนนี้ มันยังเป็น research preview ที่ต้องผ่านรายการรอ โดยไม่มีจำนวนพารามิเตอร์ ไม่มี API ไม่มีราคา ไม่มี weights และไม่มีผลการประเมินที่เผยแพร่ เดโมคือหลักฐานสาธารณะทั้งหมด

นั่นไม่ได้ทำให้ประกาศนั้นว่างเปล่า โมเดลเสียงพูดที่เรียนรู้ภาษโดยไม่มีคลังข้อความนั้นท้าทายสมมติฐานที่อุตสาหกรรมส่วนใหญ่เลิกตั้งคำถามไปแล้ว — ว่าข้อความคือที่ซึ่งความรู้อยู่ และเสียงพูดเป็นเพียงอินเทอร์เฟซบาง ๆ ที่อยู่ด้านบน แต่ช่องว่างระหว่าง "เดโมเหล่านี้น่าตกใจ" กับ "เรารู้ว่าโมเดลนี้ทำอะไรได้" นั้นกว้าง และหน้าเพจของ Block เองก็ตรงไปตรงมาเกี่ยวกับช่องว่างนั้นมากกว่าโพสต์เปิดตัวส่วนใหญ่ ประโยคที่ทำงานหนักที่สุดมีความยาวสี่คำ: "เท่าที่เราทราบ"

Block ใส่อะไรลงในหน้าเว็บจริง ๆ

ตัดคำคุณศัพท์ออกไป แล้วบันทึกที่ยืนยันได้ก็เหลือน้อยนิด ทุกอย่างด้านล่างนี้มาจากประกาศของ Block เองหรือแถลงการณ์สาธารณะของบริษัท ไม่มีข้อใด هناได้รับการตรวจสอบอย่างเป็นอิสระ

• การเปิดตัว — ประกาศเมื่อวันที่ 23 ตุลาคม 2026 ในฐานะพรีวิวสำหรับการวิจัย ไม่ใช่ผลิตภัณฑ์ที่พร้อมให้ใช้งานทั่วไป

• รูปแบบ — เสียงพูดสู่เสียงพูดแบบต้นทางถึงปลายทาง: เสียงเข้า เสียงออก ฟูลดูเพล็กซ์ ไม่มีข้อความคั่นกลาง

• การฝึก — จากศูนย์ด้วยบทสนทนาของมนุษย์เท่านั้น Block กล่าวว่าไม่มีการใช้ข้อมูลข้อความและไม่มีการใช้โมเดลที่ผ่านการฝึกมาก่อน

• การประมวลผล — การเทรนรันบนแร็ก NVIDIA GB200 NVL72 เพียงหนึ่งเครื่อง ตามที่บริษัทระบุ

• การอนุมานบนเครื่อง — Block อ้างว่าทำงานได้เร็วกว่าเรียลไทม์บน MacBook Pro M4 Max "หรือดีกว่า"

• การเข้าถึง — การเข้าถึงก่อนกำหนดสำหรับ "นักวิจัยด้านความปลอดภัยของ AI กลุ่มเล็ก ๆ" ที่สมัครด้วยอีเมลสถาบัน พร้อมรายชื่อรอแบบสาธารณะ หน้าเว็บระบุว่าลิงก์เปิดตัวจะมาเร็ว ๆ นี้

• ข้อมูลที่ขาด — จำนวนพารามิเตอร์ ความยาวคอนเท็กซ์ ขนาดชุดข้อมูลหรือจำนวนชั่วโมงของเสียง ระยะเวลาการฝึก ความหน่วงเป็นมิลลิวินาที คะแนนแบบทดสอบมาตรฐาน ใบอนุญาต ราคา น้ำหนักโมเดล และเอกสาร API

ทีมนี้เป็นกลุ่มวิจัยขนาดเล็กภายใน Block นำโดย Ragavan Thurairatnam ก่อตั้งขึ้นจากอดีตสมาชิกของ Dessa สตาร์ทอัพจากโตรอนโตที่ Block เข้าซื้อกิจการในปี 2020 และรายงานตรงต่อ Dorsey ที่มาที่ไปนี้สำคัญต่อการอ่านประกาศครั้งนี้ เพราะนี่คือแล็บที่มีประวัติยาวแปดปีด้านเสียงพูดเชิงสร้างสรรค์ ไม่ใช่บริษัทด้านการชำระเงินที่เอาตัวอย่างสาธิตไปแปะบนแผนงานผลิตภัณฑ์ และยังอธิบายได้ว่าทำไมการเปิดตัวครั้งนี้ดูเหมือนชิ้นงานวิจัยมากกว่าการเปิดตัวผลิตภัณฑ์ — เพราะมันเป็นเช่นนั้นจริง ๆ

ฟูลดูเพล็กซ์คือส่วนที่ควรค่าแก่การทำความเข้าใจ

ผู้ช่วยเสียงส่วนใหญ่ทำงานเหมือนวิทยุสื่อสารแบบวอลกี้ทอลกี้ ระบบจะรอให้คุณหยุด ตัดสินใจว่าคุณพูดจบแล้ว ถอดเสียง คิด สร้างคำตอบขึ้นมา และเล่นคำตอบนั้น ทุกช่วงรอยต่อเหล่านี้ล้วนได้ยินได้หมด คุณเรียนรู้ที่จะรอเสียงบี๊บ และโมเดลก็ไม่เรียนรู้อะไรเลยจากครึ่งวินาทีที่คุณกำลังจะพูดแต่เปลี่ยนใจ

ฟูลดูเพล็กซ์คือรูปแบบการสนทนาแบบโทรศัพท์ โมเดลกำลังฟังในขณะที่มันพูด จึงสามารถถูกขัดจังหวะกลางประโยคได้ สามารถแทรกคำว่า “yeah” หรือ “got it” ขณะที่คุณพูดได้ และปรับจังหวะของมันให้เข้ากับจังหวะของคุณได้ เดโมของ Block พึ่งพาจุดนี้เป็นอย่างมาก: Dessa หัวเราะกลางประโยคของตัวเอง เพิ่มระดับเสียงเมื่อถูกขอ ต่อชื่อภาพยนตร์ที่ผู้พูดลืมจนจบ และอุทานด้วยความตกใจเมื่อมีการเฉลยเรื่องวันครบรอบ The Verge ซึ่งได้ฟังคลิปเดียวกัน อธิบายว่าบทสนทนาเหล่านี้ “ค่อนข้างกระอักกระอ่วนและชวนขนลุก” และชี้ให้เห็นบทสนทนาหนึ่งที่ Dessa เรียกคู่สนทนาของตนว่า “Ronaldo”

ทั้งสองปฏิกิริยาอาจเป็นจริงได้ทั้งคู่ ฟูลดูเพล็กซ์เป็นคุณสมบัติของการปฏิสัมพันธ์ ไม่ใช่คุณสมบัติของความฉลาด โมเดลหนึ่งอาจผลัดกันพูดได้อย่างไร้ที่ติแต่ไม่มีอะไรน่าสนใจจะพูด หรือให้คำตอบที่ยอดเยี่ยมแต่จังหวะเหมือนเครื่องแฟกซ์ สิ่งที่เดโมเหล่านี้ยืนยันคือ Block ได้สร้างบางสิ่งที่มีพฤติกรรมเหมือนผู้ร่วมสนทนา สิ่งที่พวกเขายืนยันไม่ได้คือมันมีพฤติกรรมแบบนั้นบ่อยเพียงใดเมื่อไม่มีใครเป็นคนเลือกคลิป

การฝึกด้วยเสียงพูดเพียงอย่างเดียวได้อะไรมา และต้องแลกกับอะไร

เหตุผลสนับสนุนการฝึกด้วยเสียงเพียงอย่างเดียวก็คือ ข้อความนั้นทิ้งเกือบทุกอย่างที่บทสนทนาหนึ่ง ๆ สื่อออกมา ทรานสคริปต์ของคำว่า “fine” ก็มีเพียงคำเดียว ส่วนไฟล์เสียงคือการถอนหายใจ ช่วงหยุด ระดับเสียงที่ลดลง และการตัดสินใจว่าจะถามอีกครั้งหรือไม่ แรงจูงใจด้านความปลอดภัยที่ Block ระบุไว้ก็สืบเนื่องมาจากสิ่งนี้: ระบบเสียงที่ไม่สามารถได้ยินความทุกข์ใจนั้นหูหนวกต่อสัญญาณที่สำคัญพอดีในการโทรสายสนับสนุนหรือสายด่วนวิกฤต

ต้นทุนนี้เป็นเรื่องเชิงโครงสร้างไม่แพ้กัน โมเดลภาษาขนาดใหญ่ได้รับความครอบคลุมข้อเท็จจริง โค้ด เอาต์พุตแบบมีโครงสร้าง และการเรียกใช้เครื่องมือจากข้อความ โมเดลที่ฝึกด้วยเสียงเพียงอย่างเดียวไม่มีอินเทอร์เฟซโดยกำเนิดสำหรับ PDF สคีมา JSON หรือการเรียก API Block ยอมรับประเด็นคำถามที่ยังเปิดอยู่บนหน้าเพจของตนเองว่า โมเดลที่ใช้เสียงเพียงอย่างเดียวเรียนข้อเท็จจริงและภาษาได้อย่างมีประสิทธิภาพเพียงใดเมื่อเทียบกับโมเดลข้อความ และการเรียนรู้ในบริบทจะยังคงอยู่ได้หรือไม่หากไม่มีการฝึกก่อนด้วยข้อความ สิ่งเหล่านี้ไม่ใช่หมายเหตุท้ายเล่ม สิ่งเหล่านี้คือความแตกต่างระหว่างเอเจนต์สนทนาที่น่าใช้กับผู้ช่วยอเนกประสงค์

มีจุดยืนที่ปกป้องได้อยู่ตรงกลาง: โมเดลที่ออกแบบมาเพื่อเสียงโดยเฉพาะไม่จำเป็นต้องอ่านสเปรดชีตของคุณ หากมันถูกจับคู่กับสิ่งที่อ่านสเปรดชีตได้ แต่เรื่องนี้เป็นข้อโต้แย้งเชิงสถาปัตยกรรมที่ Block ยังไม่ได้หยิบยกขึ้นมา และพรีวิวในปัจจุบันยังไม่เปิดเผยอินเทอร์เฟซใด ๆ ที่การจับคู่เช่นนั้นจะเกิดขึ้นได้

ฐานหลักฐานคือเดโมรีลที่คัดสรรแล้ว

Block กล่าวว่าคลิปเหล่านั้นเป็นการบันทึกสด ไม่มีใครบังคับทิศทางโมเดล และมีการเพิ่มคำบรรยายภายหลัง สิ่งเหล่านี้เป็นแนวปฏิบัติที่ดีและตัดความเป็นไปได้ของการฉ้อโกงเดโมในรูปแบบหยาบที่สุดออกไป แต่ไม่ได้ตัดความเป็นไปได้ของการคัดเลือก ทีมที่บันทึกบทสนทนาจำนวนมากแล้วเผยแพร่เฉพาะที่ดีที่สุด ได้บอกคุณว่าบทสนทนาที่ดีนั้นมีอยู่ ซึ่งไม่ใช่ข้อกล่าวอ้างเดียวกันกับ "โมเดลนี้เชื่อถือได้"

สิ่งที่การประเมินที่เป็นอิสระจะต้องมีนั้นเจาะจง และควรค่าแก่การจดบันทึกไว้ตอนนี้ เพื่อให้ประกาศครั้งถัดไปสามารถถูกวัดเทียบกับสิ่งนั้นได้:

• ชุดบทสนทนาที่ถูกกันไว้สำหรับทดสอบ พร้อมพรอมต์ที่เผยแพร่ต่อสาธารณะ ไม่ใช่เฉพาะตัวอย่างเด่นที่คัดสรรมาแล้ว

• ความหน่วงของการตอบสนองที่วัดแบบครบวงจร รวมถึงเวลาจนถึงปฏิกิริยาแรกที่ได้ยิน ไม่ใช่แค่ "เร็วกว่าเวลาจริง"

• การฟื้นตัวจากการถูกขัดจังหวะ: โมเดลหลุดประเด็นหลังถูกตัดบทบ่อยเพียงใด และกลับเข้าสู่ประเด็นได้เร็วแค่ไหน

• ความสามารถในการเข้าใจคำพูดภายใต้เสียงรบกวน ซึ่งเป็นจุดที่ระบบเสียงพูดมักล้มเหลวก่อนเป็นอันดับแรก

• งบประมาณการประมวลผลและข้อมูลที่ระบุไว้ เพื่อให้สามารถตรวจสอบข้อกล่าวอ้างเรื่อง “คำน้อยลงหลายร้อยเท่า” เทียบกับสิ่งใดสิ่งหนึ่งได้

• การรักษาข้อเท็จจริงไว้ในระดับหนึ่ง เนื่องจากนั่นคือสิ่งที่ต้องแลกมาอย่างชัดเจนจากการตัดข้อความออก

ยังไม่มีสิ่งใดในเหล่านี้เลย ซึ่งเป็นเรื่องปกติสำหรับเวอร์ชันพรีวิว แต่ถือว่าผิดปกติสำหรับการเปิดตัว นั่นจึงเป็นเหตุผลว่าทำไมคำนิยามที่ถูกต้องสำหรับ Dessa ในวันนี้คือ "ผลงานวิจัยที่มาพร้อมหน้าเดโมที่ดีเป็นพิเศษ"

ข้อกล่าวอ้างด้านฮาร์ดแวร์คือสิ่งที่เงียบงัน

มีตัวเลขฮาร์ดแวร์สองตัวปรากฏอยู่บนหน้า และยังไม่มีการตรวจสอบทั้งสองตัว ตัวแรกคือการเทรนใช้ GB200 NVL72 หนึ่งเครื่อง — แร็คเดียวที่บรรจุ Blackwell GPU จำนวน 72 ตัว หากเป็นจริง นี่คือข้อกล่าวอ้างด้านประสิทธิภาพข้อมูลที่น่าสนใจ: โมเดลที่สนทนาได้ ซึ่งเทรนบนแร็คเดียว ในสาขาที่โมเดลข้อความระดับแนวหน้าถูกเทรนด้วยตัวเร่งความเร็วหลายหมื่นตัว นอกจากนี้ยังเป็นข้อกล่าวอ้างประเภทที่ขึ้นอยู่กับสเกลอย่างสิ้นเชิง: หนึ่งแร็คเป็นเวลานานแค่ไหน ใช้เสียงกี่ชั่วโมง และมีพารามิเตอร์กี่ตัว?

ข้อที่สองคือ การอินเฟอเรนซ์ทำงานได้เร็วกว่าเรียลไทม์บน MacBook Pro M4 Max M4 Max รุ่นสูงสุดมีหน่วยความจำแบบรวม 128 GB ดังนั้นโมเดลที่บรรจุได้อย่างสบายจึงไม่ใช่โมเดลขนาดมหึมาตามมาตรฐานยุคปัจจุบัน นั่นเป็นการอนุมาน ไม่ใช่การเปิดเผยข้อมูล Block ยังไม่ได้เผยแพร่ขนาด การควอนไทซ์ หน่วยความจำที่ใช้ หรือตัวเลขโทเคนต่อวินาที ดังนั้นข้อกล่าวอ้างเกี่ยวกับแล็ปท็อปจึงไม่สามารถทำซ้ำได้ ทำได้เพียงพูดซ้ำเท่านั้น

นี่คือจุดที่ผู้อ่านสายเทคนิคควรรู้สึกถึงการขาดหายไปได้คมชัดที่สุด ทุกแง่มุมเกี่ยวกับความเป็นไปได้ในทางปฏิบัติของโมเดล — ต้นทุนต่อการสนทนาหนึ่งครั้ง, ว่าจะรันบนโทรศัพท์ได้หรือไม่, API จะมีทางราคาถูกได้หรือไม่ — ล้วนขึ้นอยู่กับตัวเลขที่ Block เลือกจะไม่เปิดเผย

ทำไมการเข้าถึงจึงถูกจำกัด และเหตุใดสิ่งนั้นจึงสำคัญต่อการประเมิน

เหตุผลที่ Block ระบุไว้สำหรับการสร้าง Dessa คือความอยากรู้อยากเห็น ความเข้าใจปฏิสัมพันธ์ระหว่างมนุษย์กับ AI ที่ดีขึ้น และความปลอดภัย การจำกัดการเข้าถึงนี้สอดคล้องกับเหตุผลข้อที่สาม: เสียงที่อ่านอารมณ์และสนทนาได้อย่างน่าเชื่อถือเป็นเครื่องมือปลอมตัวที่พร้อมใช้ และวิธีที่เร็วที่สุดในการหลีกเลี่ยงพาดหัวข่าวเชิงลบคือการเก็บมันไว้ในห้องเล็ก ๆ

ข้อแลกเปลี่ยนก็คือ การเข้าถึงแบบจำกัดและการประเมินที่เป็นอิสระนั้นดึงไปคนละทิศทาง นักวิจัยด้านความปลอดภัยกลุ่มเล็ก ๆ อาจสร้างผลลัพธ์จากเรดทีมที่เป็นประโยชน์ที่สุดได้จริง แต่ผลลัพธ์เหล่านั้นจะออกมาตามกำหนดเวลาของ Block และในกรณีส่วนใหญ่จะอยู่ภายใต้การตรวจทานของ Block จนกว่ากลุ่มภายนอกจะเผยแพร่ตัวเลข บันทึกสาธารณะก็จะประกอบด้วยคลิปของผู้ขาย บวกกับความประทับใจของนักข่าวที่มีต่อคลิปของผู้ขายเท่านั้น นั่นเป็นพื้นฐานที่บางเบามากสำหรับวลี “เหนือกว่าสิ่งอื่นใดในด้านการแสดงออกทางอารมณ์” ซึ่งเป็นการกล่าวอ้างเกี่ยวกับการเปรียบเทียบที่ยังไม่มีใครทำ

อะไรจะทำให้สิ่งนี้กลายเป็นผลิตภัณฑ์

สี่สิ่ง โดยเรียงตามความสำคัญคร่าว ๆ ไฟล์ราคาหรือไฟล์น้ำหนักโมเดล เพราะทั้งสองอย่างบอกได้ว่าใครใช้งานมันได้ API หรือ SDK เพราะโมเดลที่คุณเรียกใช้ไม่ได้ก็เป็นเพียงกระดาษ เบนช์มาร์กหรือการประเมินอิสระ เพราะ "สมจริงที่สุด" ไม่ใช่ตัวชี้วัด และตัวเลขความหน่วงเป็นมิลลิวินาที เพราะคุณค่าทั้งหมดของฟูลดูเพล็กซ์อยู่ที่จังหวะ และจังหวะเป็นสิ่งเดียวที่คลิปวิดีโอถ่ายทอดไม่ได้

การมีเพียงข้อใดข้อหนึ่งในนั้นก็จะเปลี่ยนวิธีที่บทความนี้ควรถูกอ่าน และหากมีครบทั้งสี่ข้อ ก็จะทำให้บทความนี้กลายเป็นการประกาศเปิดตัว

หากคุณต้องการตัวแทนเสียงก่อนถึงตอนนั้น

สแตกที่ใช้งานได้จริงสำหรับวอยซ์เอเจนต์ในโปรดักชันยังคงเป็นการรู้จำเสียงพูด จากนั้นเป็นโมเดลภาษา แล้วจึงเป็นการสังเคราะห์เสียง แต่ละช่วงเพิ่มความหน่วง และผู้ให้บริการแต่ละรายก็เป็นสัญญาแยกกัน OrcaRouter คือเลเยอร์ตรงกลาง: API เดียวที่อยู่หน้าโมเดล 200+ ตัว โดยบวกเพิ่ม 0% — ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยตรง — มีการสลับไปยังผู้ให้บริการอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลว มี DSL สำหรับกำหนดเส้นทางที่ประกอบหลายโมเดลเป็นการเรียกครั้งเดียวได้ และมีการหลอมรวมโมเดลเมื่อคุณต้องการให้กลุ่มโมเดลตอบร่วมกัน สิ่งนี้ไม่ได้เปลี่ยนวอลกี้ทอลกี้ให้กลายเป็นการโทรศัพท์ แต่ช่วยตัดการเชื่อมต่อหนึ่งรายการออกจากห่วงโซ่ ในขณะที่โมเดลแบบดูเพล็กซ์ยังคงพัฒนาเต็มที่

ขอพูดให้ชัดเจนเกี่ยวกับสิ่งที่เราไม่มี: Dessa ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และไม่มีสิ่งใดในบทความนี้ที่ควรตีความว่าเป็นข้อเสนอในการให้บริการมัน เมื่อ Block ปล่อย API ออกมา ชั้นการกำหนดเส้นทางคือจุดที่โมเดลแบบนี้ควรค่าแก่การเปรียบเทียบในแง่ราคาต่อหนึ่งนาทีของการสนทนา มากกว่าต่อโทเค็น

ดูอะไรดี

ข้อกล่าวอ้างที่ควรค่าแก่การพิจารณาอย่างจริงจังไม่ใช่คำว่า “เป็นเจ้าแรก” แต่คือภาษาอาจเรียนรู้ได้จากเสียงพูดโดยใช้ข้อมูลน้อยลงหลายร้อยเท่า และโมเดลที่ได้อาจเข้าใจบทสนทนาในแบบที่ไฟล์ถอดเสียงทำไม่ได้เลย หาก Block เผยแพร่งานวิจัยที่มีงบข้อมูล จำนวนพารามิเตอร์ และการประเมินบนชุดข้อมูลที่แยกเก็บไว้ ข้อกล่าวอ้างนั้นก็จะตรวจสอบได้ หากประกาศครั้งต่อไปยังเป็นชุดคลิปอีกชุด คำถามที่น่าสนใจก็ยังคงเปิดอยู่ และรายชื่อรอก็ยังคงเป็นประตูเดียว