Dessa của Block chỉ được huấn luyện trên giọng nói — Đây là những gì các bản demo không chứng minh được

Block đã công bố hơn một chục bản ghi hội thoại và không một con số benchmark nào. Tỷ lệ đó là điều mang lại nhiều thông tin nhất về Dessa, mô hình giọng nói song công toàn phần mà công ty của Jack Dorsey công bố vào ngày 23 tháng 10 năm 2026. Dessa được huấn luyện từ đầu trên hội thoại của con người, không dùng văn bản và không dùng mô hình huấn luyện trước, và nó làm được một điều thực sự khác thường: vừa nghe vừa nói cùng lúc, âm thanh vào và âm thanh ra, không có bước chuyển âm thành văn bản nào ở giữa. Tính đến thời điểm viết bài, đây cũng là bản xem trước nghiên cứu nằm sau danh sách chờ, không có số lượng tham số, không có API, không có giá, không có trọng số và không có đánh giá nào được công bố. Các bản demo là toàn bộ cơ sở bằng chứng công khai.

Điều đó không khiến thông báo trở nên rỗng tuếch. Một mô hình giọng nói học ngôn ngữ mà không cần kho văn bản đang thách thức một giả định mà phần lớn ngành đã thôi đặt câu hỏi — rằng văn bản là nơi tri thức nằm và giọng nói chỉ là một lớp giao diện mỏng ở phía trên. Nhưng khoảng cách giữa “các bản demo thật đáng kinh ngạc” và “chúng ta biết mô hình này có thể làm gì” là rất lớn, và trang của chính Block thẳng thắn về khoảng cách đó hơn hầu hết các bài đăng ra mắt. Câu đóng vai trò lớn nhất chỉ dài bốn từ: “theo như chúng tôi biết.”

Block thực sự đã đưa gì lên trang

Gạt bỏ các tính từ đi thì hồ sơ đã được xác nhận thật ngắn gọn. Mọi thứ dưới đây đều đến từ thông báo của chính Block hoặc các tuyên bố công khai của công ty; không có nội dung nào ở đây được xác minh độc lập.

• Phát hành — được công bố vào ngày 23 tháng 10 năm 2026 dưới dạng bản xem trước nghiên cứu, không phải sản phẩm được phát hành rộng rãi.

• Hình thức — giọng nói sang giọng nói đầu-cuối: âm thanh vào, âm thanh ra, song công hoàn toàn, không có văn bản trung gian.

• Huấn luyện — từ con số 0, chỉ dựa trên hội thoại của con người. Block cho biết không sử dụng dữ liệu văn bản và không sử dụng mô hình tiền huấn luyện nào.

• Tính toán — theo công ty, quá trình huấn luyện chạy trên một rack NVIDIA GB200 NVL72 duy nhất.

• Suy luận cục bộ — Block tuyên bố nó chạy nhanh hơn thời gian thực trên MacBook Pro M4 Max “hoặc tốt hơn”.

• Truy cập — quyền truy cập sớm dành cho "một nhóm nhỏ các nhà nghiên cứu an toàn AI" đăng ký bằng email tổ chức, cùng một danh sách chờ công khai. Trang cho biết các liên kết ra mắt sẽ sớm có.

• Thiếu — số lượng tham số, độ dài ngữ cảnh, kích thước tập dữ liệu hoặc số giờ âm thanh, thời gian huấn luyện, độ trễ tính bằng mili giây, điểm chuẩn đánh giá, giấy phép, giá, trọng số và mọi tài liệu API.

Nhóm này là một nhóm nghiên cứu nhỏ bên trong Block do Ragavan Thurairatnam lãnh đạo, được xây dựng quanh các cựu thành viên của startup Dessa ở Toronto mà Block đã mua lại vào năm 2020, và nhóm báo cáo trực tiếp cho Dorsey. Nguồn gốc đó quan trọng khi đọc thông báo: đây là một phòng thí nghiệm có lịch sử tám năm trong lĩnh vực giọng nói tạo sinh, chứ không phải một công ty thanh toán gắn vội một bản demo vào lộ trình sản phẩm. Điều đó cũng giải thích vì sao bản công bố trông giống một sản phẩm nghiên cứu hơn là một đợt ra mắt sản phẩm — bởi vì nó đúng là một sản phẩm nghiên cứu.

Full-duplex là phần đáng để tìm hiểu

Hầu hết trợ lý giọng nói hoạt động như một chiếc bộ đàm. Hệ thống đợi bạn dừng lại, quyết định rằng bạn đã nói xong, chuyển lời nói thành văn bản, suy nghĩ, tổng hợp câu trả lời và phát nó. Mỗi ranh giới trong số đó đều có thể nghe thấy. Bạn học cách đợi tiếng bíp, còn mô hình chẳng học được gì từ nửa giây mà bạn định nói nhưng đổi ý.

Full-duplex (song công toàn phần) là mô hình kiểu cuộc gọi điện thoại. Mô hình vừa nghe vừa nói, nên có thể bị ngắt lời giữa câu, có thể xen vào “ừ” hoặc “hiểu rồi” khi bạn đang nói, và có thể điều chỉnh nhịp thời gian của nó theo nhịp của bạn. Các bản demo của Block khai thác rất mạnh điều này: Dessa cười ngay giữa câu nói của chính mình, tăng âm lượng khi được yêu cầu, nói nốt tên một bộ phim mà người nói đã quên, và thốt lên kinh ngạc trước màn hé lộ ngày kỷ niệm. The Verge, đơn vị đã nghe cùng những đoạn clip đó, mô tả các cuộc trò chuyện là “hơi gượng gạo và kỳ quái”, đồng thời chỉ ra một đoạn trong đó Dessa gọi người đối thoại của mình là “Ronaldo”.

Cả hai phản ứng đều có thể đúng. Song công toàn phần là một thuộc tính tương tác, không phải thuộc tính trí tuệ. Một mô hình có thể có khả năng luân phiên lượt nói hoàn hảo mà chẳng có gì thú vị để nói, hoặc có một câu trả lời xuất sắc nhưng được đưa ra với nhịp độ của một chiếc máy fax. Điều mà các bản demo chứng minh là Block đã xây dựng được thứ gì đó hành xử như một người tham gia. Điều chúng không thể chứng minh là tần suất nó hành xử như vậy khi không có ai chọn đoạn clip.

Huấn luyện chỉ trên lời nói mang lại gì, và phải trả giá ra sao

Lập luận ủng hộ việc huấn luyện chỉ bằng giọng nói là văn bản làm mất đi gần như mọi thứ mà một cuộc trò chuyện mang theo. Một bản ghi chép từ “ổn” chỉ là một từ. Âm thanh là một tiếng thở dài, một khoảng dừng, một cú hạ giọng, và một quyết định về việc có nên hỏi lại hay không. Động cơ an toàn được Block nêu ra tiếp nối từ đó: một hệ thống giọng nói không thể nghe thấy sự đau khổ là điếc trước đúng tín hiệu quan trọng trong một cuộc gọi hỗ trợ hoặc một đường dây khủng hoảng.

Chi phí cũng mang tính cấu trúc tương tự. Các mô hình ngôn ngữ lớn lấy phạm vi kiến thức thực tế, mã, đầu ra có cấu trúc và khả năng gọi công cụ của chúng từ văn bản. Một mô hình chỉ được huấn luyện trên giọng nói không có giao diện gốc cho PDF, lược đồ JSON hay lệnh gọi API. Block thừa nhận những câu hỏi mở trên chính trang của mình: một mô hình chỉ giọng nói học các sự thật và ngôn ngữ hiệu quả đến mức nào so với mô hình văn bản, và liệu học trong ngữ cảnh có còn tồn tại nếu không tiền huấn luyện bằng văn bản hay không. Đó không phải là những chú thích. Chúng là khác biệt giữa một tác nhân hội thoại hấp dẫn và một trợ lý đa dụng.

Có một lập trường có thể biện hộ được ở giữa: một mô hình bản địa giọng nói không cần đọc bảng tính của bạn nếu nó được ghép với thứ gì đó có thể đọc. Nhưng đó là một lập luận về kiến trúc mà Block chưa đưa ra, và bản xem trước hiện tại không để lộ giao diện nào để việc ghép nối như vậy có thể xảy ra.

Cơ sở bằng chứng là một video demo tổng hợp được tuyển chọn.

Block nói rằng các clip là bản ghi trực tiếp, rằng không ai điều khiển mô hình, và rằng phụ đề được thêm vào sau đó. Đó là những thực hành tốt và chúng loại trừ hình thức gian lận demo thô sơ nhất. Chúng không loại trừ việc chọn lọc. Một nhóm ghi lại nhiều cuộc trò chuyện và công bố những cuộc hay nhất trong số đó đã cho bạn biết rằng những cuộc trò chuyện hay tồn tại, điều này không giống với tuyên bố "mô hình này đáng tin cậy".

Điều mà một đánh giá độc lập sẽ cần thì rất cụ thể, và đáng để ghi lại ngay bây giờ để thông báo tiếp theo có thể được đo lường dựa trên đó:

• Một bộ hội thoại giữ lại với các lời nhắc được công bố, không phải những điểm nổi bật được chọn lọc.

• Độ trễ phản hồi được đo từ đầu đến cuối, bao gồm thời gian đến phản ứng nghe được đầu tiên, không chỉ “nhanh hơn thời gian thực”.

• Khôi phục sau gián đoạn: mô hình mất mạch thường xuyên đến mức nào sau khi bị ngắt và nhanh chóng quay lại mạch ra sao.

• Khả năng nghe hiểu trong điều kiện nhiễu, đây là nơi các hệ thống giọng nói thường thất bại đầu tiên.

• Ngân sách tính toán và dữ liệu được nêu rõ, để có thể đối chiếu tuyên bố “số từ ít hơn hàng trăm lần” với một thứ gì đó.

• Một mức độ duy trì thông tin thực tế nhất định, vì đó chính là sự đánh đổi rõ ràng khi lược bỏ văn bản.

Hiện chưa có cái nào trong số này tồn tại. Điều đó là bình thường đối với một bản xem trước và bất thường đối với một buổi ra mắt, đó là lý do vì sao nhãn chính xác dành cho Dessa hôm nay là “kết quả nghiên cứu với một trang demo tốt một cách bất thường”.

Tuyên bố về phần cứng là tuyên bố âm thầm.

Có hai con số phần cứng nằm trên trang và cả hai đều chưa được kiểm chứng. Con số đầu tiên là việc huấn luyện đã dùng một GB200 NVL72 — một rack duy nhất chứa 72 GPU Blackwell. Nếu đúng, đây là một tuyên bố ấn tượng về hiệu quả dữ liệu: một mô hình có thể duy trì hội thoại, được huấn luyện trên một rack, trong một lĩnh vực mà các mô hình văn bản tiên phong được huấn luyện trên hàng chục nghìn bộ tăng tốc. Đây cũng là kiểu tuyên bố phụ thuộc hoàn toàn vào quy mô: một rack trong bao lâu, trên bao nhiêu giờ âm thanh, với bao nhiêu tham số?

Điều thứ hai là suy luận chạy nhanh hơn thời gian thực trên MacBook Pro M4 Max. Một chiếc M4 Max cao cấp nhất có 128 GB bộ nhớ hợp nhất, nên một mô hình vừa vặn thoải mái trong đó không phải là khổng lồ theo tiêu chuẩn hiện đại. Đó là một suy đoán, không phải một công bố. Block chưa công bố kích thước, lượng tử hóa, mức chiếm dụng bộ nhớ hay con số token mỗi giây, nên tuyên bố về máy tính xách tay không thể được tái lập, chỉ có thể được lặp lại.

Đây là chỗ mà một độc giả kỹ thuật nên cảm nhận sự thiếu vắng một cách rõ nét nhất. Mọi thứ về tính thực tiễn của mô hình — chi phí cho mỗi cuộc hội thoại, liệu nó có thể chạy trên điện thoại hay không, liệu một API có bao giờ rẻ được hay không — đều phụ thuộc vào một con số mà Block đã chọn không công bố.

Vì sao quyền truy cập bị hạn chế, và vì sao điều đó quan trọng đối với đánh giá

Những lý do Block đưa ra để xây dựng Dessa là sự tò mò, hiểu rõ hơn về tương tác giữa con người và AI, và an toàn. Cơ chế hạn chế truy cập này nhất quán với lý do thứ ba: một giọng nói đọc được cảm xúc và trò chuyện thuyết phục là công cụ mạo danh có sẵn, và cách nhanh nhất để tránh một tiêu đề xấu là giữ nó trong một căn phòng nhỏ.

Đánh đổi là ở chỗ truy cập có kiểm soát và đánh giá độc lập kéo theo hai hướng ngược nhau. Một nhóm nhỏ các nhà nghiên cứu an toàn hoàn toàn có thể tạo ra những kết quả red-team hữu ích nhất, nhưng những kết quả đó sẽ đến theo tiến độ của Block và, trong phần lớn trường hợp, dưới sự xem xét của Block. Cho đến khi một nhóm bên ngoài công bố số liệu, hồ sơ công khai chỉ gồm các clip của nhà cung cấp cộng với ấn tượng của nhà báo về các clip của nhà cung cấp. Đó là một cơ sở mỏng manh cho cụm từ “vượt trội hơn bất cứ thứ gì khác về biểu đạt cảm xúc”, vốn là một tuyên bố về một phép so sánh mà chưa ai thực hiện.

Điều gì sẽ biến thứ này thành một sản phẩm?

Bốn thứ, theo thứ tự tương đối về mức độ quan trọng. Một tệp giá hoặc tệp trọng số, vì cái nào cũng cho bạn biết ai có thể dùng nó. Một API hoặc một SDK, vì một mô hình mà bạn không thể gọi thì chỉ là giấy. Một benchmark hoặc một đánh giá độc lập, vì "chân thực nhất" không phải là một chỉ số. Và một con số độ trễ tính bằng mili giây, vì toàn bộ giá trị của song công toàn phần nằm ở canh thời gian, và canh thời gian là thứ duy nhất một video clip không thể truyền đạt.

Bất kỳ một trong số đó sẽ thay đổi cách đọc bài viết này. Cả bốn sẽ biến nó thành một buổi ra mắt.

Nếu bạn cần một voice agent trước thời điểm đó

Bộ công nghệ thực tế cho một tác nhân thoại chạy trong môi trường thực tế vẫn là nhận dạng giọng nói, rồi đến mô hình ngôn ngữ, rồi đến tổng hợp giọng nói. Mỗi chặng đều tăng độ trễ và mỗi nhà cung cấp là một hợp đồng riêng. OrcaRouter là lớp trung gian: một API đứng trước hơn 200 mô hình, với mức markup 0% — giá niêm yết của nhà cung cấp được chuyển nguyên — chuyển đổi dự phòng tự động giữa các nhà cung cấp, một DSL định tuyến có thể kết hợp nhiều mô hình vào một lệnh gọi, và hợp nhất mô hình khi bạn muốn một nhóm mô hình cùng trả lời. Điều đó không biến bộ đàm thành cuộc gọi điện thoại; nó loại bỏ một tích hợp khỏi chuỗi trong khi các mô hình song công trưởng thành.

Nói rõ về những gì chúng tôi không có: Dessa không nằm trong danh mục của OrcaRouter, và không có gì trong bài viết này nên được hiểu là lời đề nghị cung cấp nó. Khi Block phát hành API, lớp định tuyến là nơi một mô hình như thế này đáng được so sánh theo giá mỗi phút hội thoại thay vì mỗi token.

Xem gì

Tuyên bố đáng để xem xét nghiêm túc không phải là “đầu tiên”. Mà là ngôn ngữ có thể học được từ lời nói với lượng dữ liệu ít hơn hàng trăm lần, và mô hình thu được có thể hiểu một cuộc trò chuyện theo cách mà một bản ghi lời không bao giờ làm được. Nếu Block công bố một bài báo với ngân sách dữ liệu, số lượng tham số và một đánh giá held-out, tuyên bố đó sẽ trở nên có thể kiểm chứng. Nếu thông báo tiếp theo lại là một bộ clip khác, câu hỏi thú vị vẫn sẽ để ngỏ — và danh sách chờ vẫn sẽ là cánh cửa duy nhất.