Dessa Voice Model: AI chỉ xử lý giọng nói của Block thực chất là gì và nó phù hợp ở đâu trong một voice agent

“Dessa voice model” là một thứ hợp lý để tìm kiếm và cũng là một thứ khó tìm, vì Block chưa phát hành một mô hình như vậy. Điều công ty công bố vào ngày 23 tháng 10 năm 2026 là bản xem trước nghiên cứu của Dessa, một mô hình giọng nói sang giọng nói song công hoàn toàn được huấn luyện từ đầu trên hội thoại của con người — không có kho văn bản, không có mô hình ngôn ngữ đã huấn luyện trước, âm thanh vào và âm thanh ra mà không có gì ở giữa. Không có API, không có giá, không có tệp trọng số, không có benchmark và không có số lượng tham số. Cũng có một sự trùng tên đáng làm rõ trước: ca sĩ Dessa xuất hiện trong cùng kết quả tìm kiếm, và tên của mô hình đến từ một startup nghiên cứu giọng nói tại Toronto mà Block đã mua lại vào năm 2020, nhóm cựu nhân viên của startup này hiện điều hành dự án dưới sự lãnh đạo của Ragavan Thurairatnam, báo cáo cho Jack Dorsey.

Chính xác thì thứ đó là gì

Dessa là một mô hình giọng nói sang giọng nói đầu-cuối. Bạn nói, nó nghe bạn trong khi nó đang nói, và nó trả lời bằng âm thanh. Không có bước phiên âm, không có lượt văn bản và không có giai đoạn tổng hợp riêng. Block cho biết mô hình được huấn luyện hoàn toàn trên các cuộc trò chuyện của con người được ghi âm, không có dữ liệu văn bản và không có checkpoint huấn luyện trước, và việc huấn luyện chạy trên một rack NVIDIA GB200 NVL72 duy nhất — 72 GPU Blackwell trong một rack, đây là một tuyên bố đáng chú ý về hiệu quả dữ liệu trong một lĩnh vực mà các mô hình văn bản tiên phong được huấn luyện trên hàng chục nghìn bộ tăng tốc.

Hai tuyên bố khác nằm bên cạnh đó. Block nói rằng suy luận chạy nhanh hơn thời gian thực trên MacBook Pro M4 Max “hoặc tốt hơn” — một chiếc M4 Max cao cấp nhất có 128 GB bộ nhớ hợp nhất, nên một mô hình vừa vặn thoải mái ở đó không phải là khổng lồ theo tiêu chuẩn hiện nay. Đó là một suy luận từ một tuyên bố, không phải một sự tiết lộ: không có số liệu lượng tử hóa, mức sử dụng bộ nhớ hay token mỗi giây đi kèm với nó.

Những gì Block công bố là hơn một tá bản ghi âm cuộc trò chuyện và một tập hợp các tính từ. The Verge, đơn vị đã nghe cùng những đoạn clip đó, mô tả các cuộc trò chuyện là "hơi gượng gạo và kỳ lạ" và chỉ ra một đoạn mà trong đó mô hình gọi người trò chuyện cùng nó là "Ronaldo". Trong những clip mà Block chọn, Dessa cười giữa câu nói của chính nó, 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 về một ngày kỷ niệm.

Tại sao “voice model” là cụm từ đúng còn “text to speech” thì không

Sự khác biệt quan trọng hơn cách đặt thương hiệu. Một mô hình chuyển văn bản thành giọng nói nhận một chuỗi và trả về âm thanh: nó không biết trước đó đã nói gì, không thể bị ngắt lời và cũng không thể ngắt lời. Một mô hình hội thoại thuần giọng nói nhận âm thanh và trả về âm thanh, và mọi thứ khiến nó có cảm giác như một người tham gia — thời điểm, sự chồng lấn, phản hồi đệm, nửa giây mà bạn sắp nói nhưng đổi ý — đều nằm ở phần mà mô hình chuyển văn bản thành giọng nói không có.

Full-duplex là tên kỹ thuật cho cách thức của một cuộc gọi điện thoại. Mô hình vừa nghe vừa nói, nên nó có thể bị ngắt giữa câu và phục hồi, và nó có thể xen vào khi bạn đang nói. Mọi trợ lý giọng nói kiểu bộ đàm mà bạn từng dùng đều có một ranh giới nghe thấy được ở mỗi lượt: nó chờ im lặng, quyết định rằng bạn đã nói xong, chuyển lời nói thành văn bản, suy nghĩ, tổng hợp giọng nói và phát. Bạn học cách chờ tiếng bíp. Một mô hình song công học từ khoảnh khắc bạn gần như đã lên tiếng.

Đó là một thuộc tính của tương tác, không phải thuộc tính của trí tuệ. Một mô hình có thể có khả năng luân phiên lượt nói hoàn hảo mà chẳng có gì để nói, hoặc có một câu trả lời xuất sắc được đưa ra với nhịp độ của một chiếc máy fax. Những gì các đoạn clip demo chứng minh là Block đã xây dựng được một thứ hành xử như một người tham gia. Những gì chúng không thể chứng minh là tần suất nó hành xử như vậy khi không có ai chọn clip.

Nó sẽ nằm ở đâu trong một stack mà bạn đã vận hành

Agent thoại thực tế mà hầu hết các đội ngũ đang vận hành ngày nay là một chuỗi: nhận dạng giọng nói, rồi mô hình ngôn ngữ, rồi tổng hợp giọng nói. Mỗi chặng nối thêm độ trễ, mỗi nhà cung cấp là một hợp đồng riêng, và bản chép lời ở giữa chính là nơi cảm xúc, sự ngập ngừng và sự ngắt lời bị chôn vùi.

Phép tính độ trễ giải thích vì sao các mô hình song công đáng để theo dõi. Trong chuỗi xử lý, phản hồi nghe được đầu tiên phải chờ bộ nhận dạng hoàn tất, mô hình ngôn ngữ tạo ra một mệnh đề đầy đủ và bộ tổng hợp kết xuất nó. Một mô hình song công có thể bắt đầu phản ứng nghe được trước khi nó quyết định sẽ nói gì — một tiếng "mm" ở 200 mili giây là một nước đi hội thoại hợp lý, và một nước đi hội thoại hợp lý chính là mục đích của toàn bộ thiết kế.

Những gì chuỗi mang lại cho bạn để đổi lại chính là mọi thứ mà mô hình chỉ xử lý giọng nói không có: gọi công cụ, đầu ra có cấu trúc, truy xuất trên tài liệu của bạn và giao diện gốc cho JSON. Block thừa nhận những câu hỏi còn bỏ ngỏ trên trang của chính mình — mô hình chỉ giọng nói học các sự kiện và ngôn ngữ hiệu quả đến đâu so với mô hình văn bản, và liệu học trong ngữ cảnh có tồn tại được mà không cần tiền huấn luyện văn bản hay không. Đó không phải là chú thích nhỏ; chúng là khác biệt giữa một tác nhân hội thoại hấp dẫn và một trợ lý đa năng.

Kiến trúc có thể bảo vệ được ở giữa chính là một lớp giọng nói bản địa được ghép với một thứ có thể đọc bảng tính của bạn. Đó là một lập luận mà Block chưa đưa ra, và bản xem trước hiện tại không có giao diện nào để sự ghép nối đó có thể diễn ra.

Còn thiếu gì, hãy liệt kê rõ ràng.

Sự thiếu vắng này hoàn toàn đến mức bất thường đối với một thông báo dễ thấy đến vậy, nên đáng để ghi lại: 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, giấy phép, giá, trọng số và tài liệu API. Quyền truy cập là quyền truy cập sớm dành cho một nhóm nhỏ các nhà nghiên cứu an toàn AI đăng ký bằng email tổ chức, cùng với danh sách chờ công khai với các liên kết ra mắt được mô tả là sẽ sớm có.

Những con số còn thiếu không quan trọng như nhau. Một tệp giá hoặc tệp trọng số cho bạn biết ai có thể sử dụng nó. Một API hay SDK là khác biệt giữa một mô hình và một bài báo. Một con số độ trễ tính bằng mili giây là thứ mà một đoạn video về mặt cấu trúc không thể truyền đạt, và với một mô hình song công, yếu tố thời gian chính là sản phẩm. Một benchmark là thứ ít cấp bách nhất trong bốn thứ, vì không có benchmark nào cho sự chồng lấn hội thoại tồn tại mà ai cũng tin tưởng.

Cách đánh giá một mô hình giọng nói cho trường hợp sử dụng của riêng bạn

Nếu bạn đang chờ quyền truy cập — hoặc đang đánh giá một mô hình bản địa giọng nói khác đã ra mắt — thì đây là những phép đo quyết định liệu nó có xứng đáng được đưa vào môi trường production hay không. Hiện chưa có phép đo nào trong số này được công bố cho Dessa, đó là lý do danh sách này đáng để giữ lại.

• Bộ hội thoại held-out với các prompt được công bố, không phải những điểm nổi bật được chọn lọc. Một nhóm ghi lại nhiều cuộc hội thoại và công bố những cuộc tốt nhất chỉ cho bạn biết rằng những cuộc hội thoại tốt tồn tại; đó không phải là cùng một khẳng định như độ tin cậy.

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

• Phục hồi sau gián đoạn — tần suất mô hình mất mạch sau khi bị cắt và tốc độ quay lại luồng hội thoại.

• Độ rõ của giọng nói trong môi trường nhiễu, điểm mà các hệ thống giọng nói thường thất bại đầu tiên và cũng là nơi mọi bản demo đều im lặng.

• Giữ lại thông tin thực tế, vì đó chính là sự đánh đổi rõ ràng của việc loại bỏ văn bản khỏi quá trình huấn luyện.

Hôm nay nên làm gì?

Đối với bất cứ thứ gì phải hoạt động trong quý tới, ngăn xếp vẫn là bộ nhận dạng, mô hình ngôn ngữ, bộ tổng hợp, và ngăn xếp đó đã có thể được lắp ráp thông qua một endpoint: OrcaRouter định tuyến hơn 200 mô hình trên một khóa với giá niêm yết của nhà cung cấp và 0% phụ phí, với 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 hội đồng cùng trả lời. Điều đó không biến bộ đàm thành một 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 không có sẵn: Dessa không nằm trong danh mục của OrcaRouter, và không có nội dung nào ở đây là lời đề nghị cung cấp nó. Khi Block phát hành API, lớp định tuyến là nơi một mô hình như thế này sẽ đáng được so sánh theo giá mỗi phút hội thoại thay vì mỗi token — một chỉ số hiện không tồn tại trên bất kỳ bảng giá nào, và là chỉ số mà phân khúc này cuối cùng sẽ được mua dựa trên đó.

Bản tóm tắt trung thực

Dessa là một kết quả nghiên cứu thực sự với một trang demo tốt đến bất thường, đến từ một nhóm có tám năm làm việc về giọng nói, được phát hành dưới dạng bản xem trước chứ không phải sản phẩm. Tuyên bố đáng chú ý không phải là các cuộc trò chuyện nghe giống người — các clip được tuyển chọn thì lúc nào cũng vậy. Mà là một mô hình có thể học hội thoại chỉ từ âm thanh trên một rack duy nhất, và song công toàn phần đang được coi là cách bố trí mặc định chứ không phải một tính năng.

Nếu điều đó vẫn đứng vững trên một tập dữ liệu giữ riêng, nó sẽ thay đổi những thành phần tạo nên một tác nhân giọng nói. Cho đến lúc đó, cách gọi đúng vẫn là như hiện tại: không phải một mô hình giọng nói bạn có thể gọi, mà là một tín hiệu rõ ràng về việc ngăn xếp đang đi về đâu.

Ghi chú nguồn: mọi tuyên bố về Dessa trong bài viết này — thông báo ngày 23 tháng 10 năm 2026, việc huấn luyện chỉ bằng giọng nói, một rack GB200 NVL72 duy nhất, tuyên bố về MacBook Pro M4 Max, tuyến truy cập bản xem trước nghiên cứu, các số liệu còn thiếu, thương vụ mua lại năm 2020 và cách nói rào đón "theo những gì chúng tôi biết" — đều đến từ thông báo của chính Block và các tuyên bố công khai của công ty, được đọc ngày 26 tháng 10 năm 2026, và chưa được xác minh độc lập. Mô tả "gượng gạo và kỳ quái" cùng chi tiết "Ronaldo" là của The Verge, từ bài đưa tin của họ về cùng những clip đó. Năm tiêu chí đánh giá và lập luận về độ trễ là của chúng tôi. Mô tả của OrcaRouter về định tuyến, định giá và chuyển đổi dự phòng là hành vi sản phẩm đã công bố của chính chúng tôi.