Block 的 Dessa 仅靠语音训练——以下是这些演示无法证明的内容

Block 公布了十几段对话录音，却没有给出一个基准测试数字。这个比例是Dessa最耐人寻味的地方：它是 Jack Dorsey 的公司于 2026 年 10 月 23 日宣布的全双工语音模型。Dessa 完全基于人类对话从零训练，不使用文本，也不依赖预训练模型，并且做了一件确实不同寻常的事：它能同时听和说，音频输入、音频输出，中间没有转写步骤。截至本文写作时，它还是一个需要排队等候的研究预览版，没有参数规模、没有 API、没有价格、没有权重，也没有公开发布的评估。这些演示就是全部的公开证据基础。

这并不意味着这项发布是空洞的。一个无需文本语料库就能学习语言的语音模型，挑战了一个大多数业内人士早已不再质疑的假设——知识存在于文本之中，而语音只是其表层的一层薄接口。但“演示令人震惊”和“我们知道这个模型能做什么”之间的差距很大，而 Block 自己的页面在谈及这一差距时，比大多数发布文章都更坦率。最有分量的一句话只有四个词：“就我们所知。”

Block 实际上在页面上放了什么

去掉形容词后，已确认的记录很短。以下内容均来自 Block 自己的公告或该公司的公开声明；这里没有任何内容经过独立核实。

• 发布 — 于2026年10月23日宣布为研究预览版，而非全面可用的产品。

• 形态 — 端到端语音到语音：输入音频，输出音频，全双工，无文本中间环节。

• 训练——仅基于人类对话从零开始。Block 表示没有使用任何文本数据和预训练模型。

• 计算 — 据该公司称，训练在单个 NVIDIA GB200 NVL72 机架上运行。

• 本地推理——Block 声称，在 MacBook Pro M4 Max“或更高配置”上，它的运行速度快于实时。

• 访问权限——向使用机构邮箱申请的“一小群 AI 安全研究人员”提供早期访问权限，同时设有公开候补名单。页面称发布链接即将推出。

• 缺失——参数数量、上下文长度、数据集规模或音频小时数、训练时长、以毫秒计的延迟、基准测试分数、许可证、价格、权重，以及任何 API 文档。

这个团队是 Block 内部的一个小型研究小组，由 Ragavan Thurairatnam 领导，以前 members of the Toronto startup Dessa（Block 于 2020 年收购）为核心组建，并直接向 Dorsey 汇报。这一渊源对解读该公告很重要：这是一个在生成式语音领域有八年历史的研究实验室，而不是一家支付公司把演示硬塞进产品路线图。这也解释了为什么此次发布看起来像一项研究成果，而不是产品发布——因为它本就是一项研究成果。

全双工才是值得弄懂的部分。

大多数语音助手的工作方式就像对讲机。系统会等你停下来，判定你已经说完，然后转写、思考、合成回复并播放出来。这些分界点每一个都清晰可闻。你学会了等待提示音，而模型则从你正要开口却又改变主意的那半秒钟里什么也学不到。

全双工是电话通话模式。模型在说话的同时也在聆听，因此可以在句子中间被打断，可以在你说话时插一句“嗯”或“明白了”，还能调整自己的节奏来配合你的节奏。Block 的演示高度依赖这一点：Dessa 在自己一句话说到一半时笑起来，在被要求时提高音量，补全说话者忘记的电影片名，并在周年纪念揭晓时倒吸一口气。听了同样片段的 The Verge 称这些对话“有点尴尬又诡异”，并指出其中一段里 Dessa 把对话伙伴称为“Ronaldo”。

两种反应都可能是真的。全双工是一种交互属性，而不是智能属性。一个模型可以拥有无可挑剔的轮次转换能力，却没有什么有趣的内容可说；也可以给出精彩的回答，却带着传真机般的节奏。演示所证明的是，Block 已经构建出某种表现得像参与者的东西。它们无法证明的是，当没有人挑选片段时，它有多经常这样表现。

仅靠语音训练能带来什么，又要付出什么代价

纯语音训练的理由在于，文本会丢弃一段对话所承载的几乎一切信息。一句"fine"的文字记录只是一个词。而音频里则有一声叹息、一次停顿、一个音调的下降，以及一个关于是否再问一次的决断。Block 所阐述的安全动机正源于此：一个听不出痛苦的语音系统，恰恰对客服通话或危机热线中真正重要的那个信号充耳不闻。

代价同样是结构性的。大型语言模型的事实覆盖、代码、结构化输出和工具调用都来自文本。仅用语音训练的模型没有面向 PDF、JSON schema 或 API 调用的原生接口。Block 在自己的页面上承认了这些悬而未决的问题：与文本模型相比，纯语音模型学习事实和语言的效率如何，以及在没有文本预训练的情况下，上下文学习是否还能存续。这些并非脚注。它们正是引人入胜的对话式智能体与通用助手之间的区别所在。

中间存在一种站得住脚的立场：语音原生模型如果与某个能读取你电子表格的东西配对，它本身就不需要读取你的电子表格。但这是 Block 尚未提出的架构论证，而当前预览版没有提供任何可实现这种配对的接口。

证据基础是一段精选的演示短片集锦

Block 表示，这些视频片段是实况录制，没有人操控模型，字幕是后来添加的。这些都是良好做法，也排除了最粗劣的演示造假形式。但它们并不能排除挑选。一个团队录制许多对话并公布其中最好的那些，只能告诉你存在好的对话，这与“这个模型很可靠”并不是同一个主张。

一次独立评估需要什么，这一点很具体，值得现在就写下来，以便下一次公告可以对照它来衡量：

• 一套留出的对话集，配有已发布的提示词，而非精选的亮点。

• 响应延迟按端到端测量，包括到首次可听见反应的时间，而不仅仅是“快于实时”。

• 中断恢复：模型在被中断后失去思路的频率，以及它重新进入状态的速度。

• 噪声环境下的可懂度，而这通常正是语音系统最先失效的地方。

• 明确说明的计算和数据预算，以便“单词量少数百倍”这一说法能有据可查。

• 一定程度的事实保留，因为这是删减文本的明确取舍。

这些目前都还不存在。这对预览版来说是正常的，对正式发布来说则不正常，所以如今给 Dessa 的正确标签是“一个附带异常出色演示页面的研究成果”。

硬件方面的说法是较为低调的那个。

页面上有两个硬件数字，而且两者都尚未得到核实。第一个是训练使用了一台 GB200 NVL72——一个装有 72 块 Blackwell GPU 的单机架。如果属实，这是一个引人注目的数据效率主张：一个能进行对话的模型，仅在一个机架上训练，而在这个领域，前沿文本模型要在数万个加速器上训练。这也是一种完全取决于规模的说法：一个机架用了多久、用了多少小时音频、有多少参数？

第二点是，在 MacBook Pro M4 Max 上，推理运行速度快于实时。顶配 M4 Max 拥有 128 GB 统一内存，因此能在其中轻松容纳的模型，按现代标准并不算庞大。那是一种推断，而非披露。Block 尚未公布模型规模、量化方式、内存占用或每秒 token 数，因此有关笔记本电脑的说法无法复现，只能被重复。

这正是技术读者最该强烈感受到缺失的地方。关于该模型实用性的方方面面——每次对话的成本、能否在手机上运行、API 是否有朝一日能变得便宜——都取决于 Block 选择不公布的那个数字。

为什么访问要设限，以及为什么这对评估很重要

Block 表示，构建 Dessa 的原因是出于好奇心、为了更好地理解人机交互，以及出于安全考虑。这道门禁与第三点相符：一个能读出情绪、并能进行令人信服对话的语音，本身就是现成的冒充工具，而避免出现负面头条新闻的最快方式，就是把它关在一个小房间里。

权衡在于，受限访问和独立评估的方向相反。一小群安全研究人员很可能能产出最有用的红队结果，但这些结果会按照 Block 的时间表出现，而且在大多数情况下还要经过 Block 的审查。在外部团体公布数据之前，公开记录只包括供应商的视频片段，以及记者对这些片段的印象。对于“在情感表达上超越其他一切”这一说法来说，这样的依据很薄弱，因为它是一个关于无人进行过的比较的断言。

什么才能把它变成一款产品？

四件事，大致按重要性排序。价格或权重文件，因为二者之一就能告诉你谁能使用它。API 或 SDK，因为无法调用的模型只是一篇论文。基准测试或独立评估，因为“最真实”不是指标。以及以毫秒计的延迟数字，因为全双工的全部价值在于时序，而时序恰恰是视频片段无法传达的。

其中任何一项都会改变这篇文章应有的读法。若四项全部成立，那便是一次发布。

如果你在那之前需要一个语音智能体

生产级语音智能体的实用技术栈仍然是先语音识别、再语言模型、最后语音合成。每一次跳转都会增加延迟，而且每个供应商都是一份单独的合同。OrcaRouter 是中间层：用一个 API 面向 200+ 个模型，且 0% 加价——按供应商目录价透传——跨供应商自动故障转移、可用路由 DSL 将多个模型编排成一次调用，以及在你希望一组模型共同作答时进行模型融合。这不会让对讲机变成电话通话；它只是从链路中省去一次集成，同时双工模型仍在成熟中。

需要明确说明的是：Dessa 并不在 OrcaRouter 的目录中，本文中的任何内容都不应被理解为提供该模型服务的要约。当 Block 推出 API 时，对于这类模型，路由层正是值得按每分钟对话成本而非按 token 成本进行比较的地方。

看什么好

值得认真对待的主张并不是“第一”。而是：语言或许能从语音中以少数百倍的数据量学会，并且由此得到的模型或许能以转录文本永远无法做到的方式理解对话。如果 Block 发表一篇包含数据预算、参数量和留出评估的论文，那么这一主张就变得可检验。如果下一次公告仍是另一组音频片段，那么那个有趣的问题仍将悬而未决——而等候名单仍将是唯一的入口。