Dessa Voice Model: AI แบบเสียงเท่านั้นของ Block คืออะไรกันแน่ และมันเข้ากับ Voice Agent ได้ตรงไหน

“Dessa voice model” เป็นสิ่งที่สมเหตุสมผลที่จะค้นหา และเป็นสิ่งที่หาได้ยาก เพราะ Block ยังไม่ได้เปิดตัวโมเดลนี้ สิ่งที่บริษัทประกาศเมื่อวันที่ 23 ตุลาคม 2026 คือพรีวิวงานวิจัยของ Dessa โมเดลเสียงพูดเป็นเสียงพูดแบบ full-duplex ที่ฝึกตั้งแต่เริ่มต้นจากบทสนทนาของมนุษย์ — ไม่มีคลังข้อความ ไม่มีโมเดลภาษาที่ผ่านการฝึกมาก่อน รับเสียงเข้าและส่งเสียงออก โดยไม่มีอะไรอยู่ตรงกลาง ไม่มี API ไม่มีราคา ไม่มีไฟล์น้ำหนัก ไม่มี benchmark และไม่มีจำนวนพารามิเตอร์ นอกจากนี้ยังมีความซ้ำซ้อนของชื่อที่ควรทำให้กระจ่างก่อน: Dessa นักร้องปรากฏในผลการค้นหาเดียวกัน และชื่อของโมเดลมาจากสตาร์ทอัพด้านการวิจัยเสียงพูดในโทรอนโตที่ Block เข้าซื้อในปี 2020 ซึ่งทีมเดิมตอนนี้ดูแลโครงการนี้ภายใต้ Ragavan Thurairatnam โดยรายงานต่อ Jack Dorsey

สิ่งนั้นคืออะไรกันแน่

Dessa เป็นโมเดลแปลงเสียงเป็นเสียงแบบครบวงจร คุณพูด มันได้ยินคุณขณะที่มันกำลังพูด และตอบกลับเป็นเสียง ไม่มีขั้นตอนถอดเสียงเป็นข้อความ ไม่มีรอบข้อความ และไม่มีขั้นตอนสังเคราะห์เสียงแยกต่างหาก Block กล่าวว่าโมเดลนี้ได้รับการฝึกทั้งหมดจากบทสนทนาของมนุษย์ที่บันทึกไว้ โดยไม่มีข้อมูลข้อความและไม่มีเช็กพอยต์ที่ผ่านการฝึกมาก่อน และการฝึกเกิดขึ้นบนแร็ก NVIDIA GB200 NVL72 เพียงเครื่องเดียว — GPU Blackwell 72 ตัวในแร็กเดียว ซึ่งเป็นข้อกล่าวอ้างเรื่องประสิทธิภาพข้อมูลที่น่าทึ่งในสาขาที่โมเดลข้อความระดับแนวหน้าถูกฝึกด้วยตัวเร่งฮาร์ดแวร์หลายหมื่นตัว

มีข้อกล่าวอ้างเพิ่มเติมอีกสองข้ออยู่เคียงข้างกัน Block กล่าวว่าการอนุมานทำงานเร็วกว่าเวลาจริงบน MacBook Pro M4 Max "หรือดีกว่า" — M4 Max รุ่นท็อปมีความจุหน่วยความจำแบบรวม 128 GB ดังนั้นโมเดลที่ใส่ได้สบาย ๆ ในเครื่องนั้นจึงไม่ถือว่าใหญ่โตเมื่อเทียบกับมาตรฐานปัจจุบัน นั่นเป็นการอนุมานจากคำกล่าวอ้าง ไม่ใช่การเปิดเผยข้อมูล: ไม่มีข้อมูลการควอนไทเซชัน หน่วยความจำที่ใช้ หรือตัวเลขโทเคนต่อวินาทีประกอบมาด้วย

สิ่งที่ Block เผยแพร่คือบันทึกบทสนทนามากกว่าสิบสองรายการ และชุดคำคุณศัพท์ The Verge ซึ่งได้ฟังคลิปเดียวกันอธิบายว่าบทสนทนาเหล่านั้น “ชวนอึดอัดและชวนขนลุกเล็กน้อย” และชี้ให้เห็นคลิปหนึ่งที่โมเดลเรียกคู่สนทนาของตนว่า “Ronaldo” ในคลิปที่ Block เลือก Dessa หัวเราะกลางประโยคของตัวเอง เพิ่มระดับเสียงเมื่อถูกขอ พูดชื่อภาพยนตร์ที่ผู้พูดลืมจนจบ และอุทานด้วยความตกใจเมื่อมีการเฉลยเรื่องครบรอบ

ทำไม "voice model" จึงเป็นคำที่ถูกต้อง และ "text to speech" ไม่ใช่

ความแตกต่างนี้สำคัญกว่าการสร้างแบรนด์ โมเดลแปลงข้อความเป็นเสียงรับสตริงและส่งคืนเสียง โดยไม่รู้เลยว่าก่อนหน้านี้พูดอะไรไว้ ไม่สามารถถูกขัดจังหวะ และไม่สามารถขัดจังหวะได้ ส่วนโมเดลสนทนาที่เป็นเสียงโดยกำเนิดจะรับเสียงและส่งคืนเสียง และทุกสิ่งทุกอย่างที่ทำให้มันรู้สึกเหมือนเป็นผู้ร่วมสนทนา ทั้งจังหวะ การเหลื่อมกัน การส่งเสียงตอบรับระหว่างฟัง และครึ่งวินาทีที่คุณกำลังจะพูดแต่เปลี่ยนใจ ล้วนอยู่ในส่วนที่โมเดล TTS ไม่มี

ฟูลดูเพล็กซ์คือชื่อทางเทคนิคของรูปแบบการสนทนาทางโทรศัพท์ โมเดลกำลังฟังในขณะที่มันพูด ดังนั้นมันจึงถูกตัดบทกลางประโยคได้และกลับมาสื่อสารต่อได้ และมันสามารถพูดแทรกขณะที่คุณพูดได้ ผู้ช่วยเสียงแบบวอคกี้ทอล์กกี้ทุกตัวที่คุณเคยใช้มีจุดแบ่งที่ได้ยินได้ในแต่ละผลัด: มันรอความเงียบ ตัดสินใจว่าคุณพูดจบแล้ว ถอดเสียง คิด สังเคราะห์เสียง แล้วเล่นเสียง คุณจึงเรียนรู้ที่จะรอเสียงบี๊บ โมเดลดูเพล็กซ์เรียนรู้จากช่วงเวลาที่คุณเกือบจะพูด

นั่นเป็นคุณสมบัติด้านการปฏิสัมพันธ์ ไม่ใช่คุณสมบัติด้านสติปัญญา โมเดลหนึ่งอาจมีการผลัดกันพูดที่ไร้ที่ติแต่ไม่มีอะไรจะพูด หรือมีคำตอบที่ยอดเยี่ยมแต่ส่งมอบด้วยจังหวะของเครื่องแฟกซ์ สิ่งที่คลิปสาธิตยืนยันได้คือ Block สร้างบางสิ่งที่มีพฤติกรรมเหมือนผู้ร่วมสนทนา สิ่งที่คลิปเหล่านี้ยืนยันไม่ได้คือมันมีพฤติกรรมแบบนั้นบ่อยเพียงใดเมื่อไม่มีใครเป็นคนเลือกคลิป

ตำแหน่งที่มันจะเข้าไปอยู่ในสแตกที่คุณใช้งานอยู่แล้ว

voice agent ที่ใช้งานได้จริงซึ่งทีมส่วนใหญ่ใช้อยู่ในปัจจุบันคือห่วงโซ่: การรู้จำเสียงพูด แล้วโมเดลภาษา แล้วการสังเคราะห์เสียงพูด แต่ละช่วงต่อเพิ่มความหน่วง แต่ละผู้ขายมีสัญญาแยกกัน และข้อความถอดเสียงที่อยู่ตรงกลางคือจุดที่อารมณ์ ความลังเล และการขัดจังหวะจบชีวิตลง

การคำนวณเวลาหน่วงอธิบายว่าทำไมโมเดลดูเพล็กซ์จึงน่าจับตา ในห่วงโซ่นี้ การตอบสนองเสียงแรกที่ได้ยินต้องรอให้ระบบรู้จำเสียงทำงานเสร็จ โมเดลภาษาสร้างอนุประโยคเต็ม และระบบสังเคราะห์เสียงเรนเดอร์ออกมา โมเดลดูเพล็กซ์สามารถเริ่มปฏิกิริยาที่ได้ยินได้ก่อนจะตัดสินใจว่าจะพูดอะไร — “mm” ที่ 200 มิลลิวินาทีถือเป็นการเคลื่อนไหวเชิงสนทนาที่สมเหตุสมผล และการเคลื่อนไหวเชิงสนทนาที่สมเหตุสมผลคือเป้าหมายของการออกแบบทั้งหมด

สิ่งที่เชนมอบให้คุณเป็นการแลกเปลี่ยนก็คือทุกสิ่งทุกอย่างที่โมเดลแบบเสียงล้วนไม่มี นั่นคือ การเรียกใช้เครื่องมือ เอาต์พุตแบบมีโครงสร้าง การค้นคืนข้อมูลจากเอกสารของคุณ และอินเทอร์เฟซแบบเนทีฟสำหรับ JSON Block ยอมรับถึงคำถามที่ยังหาคำตอบไม่ได้ไว้ในหน้าของตนเอง — โมเดลแบบเสียงล้วนเรียนรู้ข้อเท็จจริงและภาษาต่างๆ ได้อย่างมีประสิทธิภาพเพียงใดเมื่อเทียบกับโมเดลแบบข้อความ และการเรียนรู้ในบริบทจะยังคงอยู่ได้หรือไม่หากไม่มีการพรีเทรนด้วยข้อความ สิ่งเหล่านี้ไม่ใช่หมายเหตุท้ายบท แต่เป็นความแตกต่างระหว่างเอเจนต์สนทนาที่น่าสนใจกับผู้ช่วยอเนกประสงค์

สถาปัตยกรรมที่ป้องกันได้ตรงกลางคือเลเยอร์ที่เป็นเสียงโดยกำเนิด ทำงานร่วมกับสิ่งที่อ่านสเปรดชีตของคุณได้ นั่นเป็นข้อโต้แย้งที่ Block ยังไม่ได้ยกขึ้นมา และพรีวิวปัจจุบันไม่ได้เปิดเผยอินเทอร์เฟซใด ๆ ที่การทำงานร่วมกันนั้นจะเกิดขึ้นได้

มีอะไรบ้างที่ขาดหายไป ระบุมาอย่างชัดเจน

การที่ข้อมูลเหล่านี้หายไปอย่างสิ้นเชิงนั้นผิดปกติสำหรับประกาศที่เปิดเผยชัดเจนขนาดนี้ จึงควรจดบันทึกไว้ ได้แก่ จำนวนพารามิเตอร์ ความยาวคอนเท็กซ์ ขนาดชุดข้อมูลหรือจำนวนชั่วโมงเสียง ระยะเวลาการฝึก ความหน่วงเป็นมิลลิวินาที คะแนนเบนช์มาร์ก สัญญาอนุญาต ราคา น้ำหนักโมเดล และเอกสาร API การเข้าถึงเป็นแบบสิทธิ์เข้าถึงล่วงหน้าสำหรับนักวิจัยด้านความปลอดภัยของ AI กลุ่มเล็ก ๆ ที่สมัครด้วยอีเมลสถาบัน และมีรายชื่อรอสาธารณะพร้อมลิงก์เปิดตัวที่ระบุว่าจะมาเร็ว ๆ นี้

ตัวเลขที่หายไปไม่ได้สำคัญเท่ากัน ราคาหรือไฟล์น้ำหนักบอกคุณว่าใครสามารถใช้มันได้ API หรือ SDK คือความแตกต่างระหว่างโมเดลกับเปเปอร์ ตัวเลขความหน่วงเป็นมิลลิวินาทีคือสิ่งหนึ่งที่คลิปวิดีโอไม่สามารถสื่อได้โดยโครงสร้าง และสำหรับโมเดลดูเพล็กซ์ จังหวะเวลาคือตัวผลิตภัณฑ์ เบนช์มาร์กเป็นสิ่งที่เร่งด่วนน้อยที่สุดในสี่อย่าง เพราะยังไม่มีเบนช์มาร์กสำหรับการพูดทับซ้อนในการสนทนาที่มีใครเชื่อถือได้

วิธีประเมินโมเดลเสียงสำหรับกรณีการใช้งานของคุณเอง

หากคุณกำลังรอการเข้าถึง — หรือกำลังประเมินโมเดลแบบ speech-native อีกตัวที่เปิดตัวใช้งานแล้ว — สิ่งเหล่านี้คือตัวชี้วัดที่ใช้ตัดสินว่าโมเดลนั้นควรนำไปใช้ใน production หรือไม่ วันนี้ยังไม่มีการเผยแพร่ตัวชี้วัดเหล่านี้สำหรับ Dessa ซึ่งเป็นเหตุผลว่าทำไมรายการนี้จึงคุ้มค่าที่จะเก็บไว้

• ชุดบทสนทนาที่ถูกกันไว้ทดสอบ พร้อมพรอมป์ที่เผยแพร่ต่อสาธารณะ ไม่ใช่ตัวอย่างที่คัดมาโชว์เฉพาะกรณีที่ดีที่สุด ทีมที่บันทึกบทสนทนาจำนวนมากแล้วเผยแพร่เฉพาะอันที่ดีที่สุดนั้น บอกคุณได้เพียงว่าบทสนทนาที่ดีมีอยู่จริง ซึ่งไม่ใช่ข้ออ้างเดียวกันกับความน่าเชื่อถือ

• ความหน่วงของการตอบสนองแบบครบวงจร รวมถึงเวลาจนถึงการตอบสนองแรกที่ได้ยิน ไม่ใช่แค่ "เร็วกว่าเวลาจริง"

• การฟื้นตัวจากการถูกขัดจังหวะ — โมเดลสูญเสียความต่อเนื่องของเรื่องบ่อยเพียงใดหลังจากถูกตัดบท และกลับเข้าสู่เรื่องได้เร็วแค่ไหน

• ความสามารถในการเข้าใจคำพูดภายใต้เสียงรบกวน ซึ่งเป็นจุดที่ระบบเสียงพูดมักล้มเหลวก่อน และเป็นจุดที่ทุกเดโมเงียบสนิท

• การคงไว้ซึ่งข้อเท็จจริง เนื่องจากการตัดข้อความออกจากการฝึกเป็นข้อแลกเปลี่ยนที่ชัดเจน

วันนี้ทำอะไรดี

สำหรับสิ่งใดก็ตามที่ต้องใช้งานได้ในไตรมาสหน้า สแต็กยังคงประกอบด้วยตัวรู้จำ โมเดลภาษา และตัวสังเคราะห์เสียง และสแต็กนั้นสามารถประกอบได้ผ่านปลายทางเดียวอยู่แล้ว: OrcaRouter กำหนดเส้นทางโมเดล 200+ โมเดลบนคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่คิดส่วนเพิ่ม 0% พร้อมการสลับอัตโนมัติระหว่างผู้ให้บริการเมื่อเกิดข้อขัดข้อง มี DSL สำหรับกำหนดเส้นทางที่สามารถรวมหลายโมเดลไว้ในการเรียกครั้งเดียว และมีการหลอมรวมโมเดลเมื่อคุณต้องการให้กลุ่มโมเดลตอบพร้อมกัน สิ่งนี้ไม่ได้เปลี่ยนวิทยุสื่อสารให้กลายเป็นสายโทรศัพท์ มันตัดการผสานรวมหนึ่งรายการออกจากห่วงโซ่ในขณะที่โมเดลดูเพล็กซ์ยังคงพัฒนาจนสมบูรณ์

เพื่อให้ชัดเจนเกี่ยวกับสิ่งที่ยังไม่มีให้บริการ: Dessa ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และไม่มีสิ่งใดในที่นี้เป็นการเสนอให้บริการมัน เมื่อ Block เปิดตัว API ชั้นการกำหนดเส้นทางคือจุดที่โมเดลแบบนี้ควรค่าแก่การเปรียบเทียบด้วยราคาต่อหนึ่งนาทีของการสนทนามากกว่าต่อโทเค็น — เป็นตัวชี้วัดที่ปัจจุบันไม่มีอยู่ในตารางอัตราค่าใช้จ่ายใด ๆ และเป็นตัวชี้วัดที่หมวดนี้จะถูกซื้อด้วยในที่สุด

บทสรุปที่ซื่อสัตย์

Dessa เป็นผลงานวิจัยจริงที่มีหน้าเดโมดีเป็นพิเศษ จากทีมที่มีงานด้านเสียงเบื้องหลังแปดปี เผยแพร่ในฐานะพรีวิวมากกว่าจะเป็นผลิตภัณฑ์ ข้ออ้างที่น่าสนใจไม่ใช่บทสนทนาฟังดูเป็นมนุษย์ — คลิปที่คัดสรรแล้วย่อมเป็นเช่นนั้นเสมอ แต่คือโมเดลสามารถเรียนรู้การสนทนาจากเสียงเพียงอย่างเดียวบนแร็คเดียว และฟูลดูเพล็กซ์ถูกมองว่าเป็นการจัดรูปแบบเริ่มต้นแทนที่จะเป็นฟีเจอร์

ถ้าสิ่งนี้ยังทำได้ดีเมื่อทดสอบกับชุดข้อมูลที่แยกไว้ มันจะเปลี่ยนพื้นฐานที่วอยซ์เอเจนต์ถูกสร้างขึ้นมา จนกว่าจะถึงตอนนั้น คำเรียกที่ถูกต้องก็คือตามที่เป็นอยู่: ไม่ใช่โมเดลเสียงที่คุณเรียกใช้ได้ แต่เป็นสัญญาณชัดเจนว่าสแต็กกำลังไปในทิศทางใด

หมายเหตุแหล่งที่มา: ข้อกล่าวอ้างทุกข้อเกี่ยวกับ Dessa ในบทความนี้ — ประกาศเมื่อวันที่ 23 ตุลาคม 2026, การฝึกโดยใช้เฉพาะเสียงพูด, แร็ก GB200 NVL72 เพียงตัวเดียว, ข้อกล่าวอ้างเรื่อง MacBook Pro M4 Max, ช่องทางการเข้าถึงแบบ research preview, ตัวเลขที่ขาดหายไป, การเข้าซื้อกิจการในปี 2020 และการถอยคำแบบ “as far as we know” — ล้วนมาจากประกาศของ Block เองและถ้อยแถลงสาธารณะของบริษัท ซึ่งอ่านเมื่อวันที่ 26 ตุลาคม 2026 และยังไม่ได้รับการตรวจสอบยืนยันอย่างเป็นอิสระ คำอธิบายว่า “awkward and uncanny” และรายละเอียด “Ronaldo” เป็นของ The Verge จากบทความข่าวที่ครอบคลุมคลิปเดียวกัน เกณฑ์การประเมินทั้งห้าข้อและข้อโต้แย้งเรื่องความหน่วงเป็นของเรา คำอธิบายการกำหนดเส้นทาง การกำหนดราคา และการสลับเมื่อเกิดความล้มเหลวของ OrcaRouter เป็นพฤติกรรมผลิตภัณฑ์ที่เราเผยแพร่เอง