Dessa Voice Model：Block 的纯语音 AI 究竟是什么，以及它如何适配语音智能体

“Dessa 语音模型”是个合理的搜索词，却很难找到结果，因为 Block 并没有发布过这样一款产品。该公司在 2026 年 10 月 23 日宣布的，是 Dessa 的研究预览版——一个从零开始、基于人类对话训练的全双工语音到语音模型：不用文本语料，不用预训练语言模型，输入音频、输出音频，中间不经过任何环节。它没有 API，没有定价，没有权重文件，没有基准测试结果，也没有参数规模。还有一个命名上的撞车值得先厘清：歌手 Dessa 会出现在同一批搜索结果里；而模型的名字来自 Block 在 2020 年收购的一家多伦多语音研究初创公司，其原团队如今在 Ragavan Thurairatnam 的带领下推进这个项目，并向 Jack Dorsey 汇报。

确切地说，那东西究竟是什么

Dessa 是一个端到端的语音到语音模型。你说话时，它在自己说话的同时也能听见你，并以音频作答。没有转写步骤，没有文本轮次，也没有单独的合成阶段。Block 表示，该模型完全基于录制的人类对话进行训练，未使用文本数据和预训练检查点，而且训练仅在一台 NVIDIA GB200 NVL72 机架上完成——一个机架内集成 72 块 Blackwell GPU。在一个前沿文本模型动辄使用数万个加速器来训练的领域里，这是一项引人注目的数据效率声明。

旁边还有两项进一步的说法。Block 表示，在 MacBook Pro M4 Max“或更好”的机型上，推理运行速度快于实时——顶配 M4 Max 配备 128 GB 统一内存，因此能轻松容纳于其中的模型按当前标准并不算庞大。这是从一项说法中推断出来的，而非披露：随附信息中没有量化、内存占用或每秒 token 数等数据。

Block 实际发布的是十几段对话录音和一组形容词。The Verge 听了同样的片段，将这些对话描述为“有点尴尬又诡异”，并特别指出其中一段：模型把它的对话伙伴称为“Ronaldo”。在 Block 挑选的片段中，Dessa 在自己一句话说到一半时笑了起来，在被要求时提高了音量，补全了说话者忘记的电影片名，并在周年纪念揭晓时倒吸一口气。

为什么“语音模型”是正确的说法，而“文本转语音”不是

这种区别比品牌名称更重要。文本转语音模型接收一个字符串并返回音频：它不知道之前说了什么，无法被打断，也无法打断别人。语音原生的对话模型接收音频并返回音频，而所有让它感觉像参与者的东西——时机、重叠、附和、你正要开口又改变主意的那半秒钟——都存在于 TTS 模型所不具备的部分中。

全双工是这种电话通话式安排的技术名称。模型在说话的同时也在聆听，因此它能在句子说到一半时被打断并恢复过来，也能在你说话时插话。你用过的每一个对讲机式语音助手，在每一轮交互中都有一个可听见的边界：它会等待静默，判定你已经说完，转写，思考，合成，然后播放。你学会了等待那声提示音。而双工模型从你几乎要开口的那一刻起就开始学习了。

那是一种交互属性，而非智能属性。一个模型可以拥有无可挑剔的轮流发言能力，却无话可说；也可以给出精彩的回答，却以传真机般的节奏送达。演示片段所证明的是，Block 造出了某种表现得像参与者的东西。它们无法证明的是，在无人挑选片段时，它能多频繁地那样表现。

在您已在运行的技术栈中，它会处于什么位置

如今大多数团队实际运行的语音智能体是一条链：先语音识别，再语言模型，然后语音合成。每一次跳转都会增加延迟，每一家供应商都是一份单独的合同，而夹在中间的转写文本，正是情绪、犹豫和打断消亡的地方。

延迟算术解释了为什么双工模型值得关注。在这条链路中，第一个可听响应要等待识别器完成、语言模型生成一个完整子句，以及合成器将其渲染出来。双工模型可以在决定要说什么之前就开始做出可听反应——在200毫秒时发出一声“嗯”是一种合理的对话动作，而合理的对话动作正是整个设计的目的所在。

作为交换，这条链给你的是纯语音模型所没有的一切：工具调用、结构化输出、对你文档的检索，以及原生 JSON 接口。Block 在其自己的页面上承认了那些未解问题——与文本模型相比，纯语音模型学习事实和语言的效率究竟如何，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。这些都不是脚注；它们正是令人信服的对话代理与通用助手之间的区别所在。

中间那层可防御的架构，是一个语音原生层，搭配一个能读取你的电子表格的东西。这是 Block 尚未提出的主张，而当前的预览版没有暴露任何能让这种搭配得以发生的接口。

缺少什么，请直接列出。

对于如此高调的发布而言，这种信息缺失异常彻底，因此值得记录下来：参数量、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 API 文档。访问方面，早期访问面向一小群 AI 安全研究人员，他们需使用机构邮箱申请；此外还有一个公开候补名单，其中的发布链接被描述为“即将推出”。

缺失的数字并不同等重要。价格或权重文件决定了谁可以使用它。API 或 SDK 是模型与论文之间的区别。以毫秒计的延迟数值是视频片段在结构上无法传达的那一项，而对双工模型来说，时序就是产品。基准测试是这四项中最不紧迫的，因为目前不存在任何人们信任的对话重叠基准测试。

如何针对自己的使用场景评估语音模型

如果你正在等待访问权限——或者正在评估另一个已经发布的语音原生模型——这些就是决定它能否投入生产的衡量指标。目前 Dessa 尚未公布其中任何一项，这正是这份清单值得保留的原因。

• 留出的对话集，配有已公开的提示词，而非精选亮点。一个团队录制大量对话并发布其中最好的，只能说明好的对话确实存在；这与可靠性并不是同一个主张。

端到端响应延迟，包括到首次可听反应的时间，而不仅仅是“快于实时”。

• 中断恢复——模型在被中断后多久会失去思路，以及多快能重新回到状态。

• 噪声环境下的可懂度——这通常是语音系统最先失效的地方，也是每个演示都保持沉默的地方。

• 事实性保留，因为这是从训练数据中丢弃文本所明确的权衡取舍。

今天做什么

对于下个季度必须投入使用的任何东西，技术栈仍然是识别器、语言模型、合成器，而这个技术栈已经可以通过一个端点组装起来：OrcaRouter 用一个密钥以供应商标价、0% 加价路由 200+ 个模型，支持供应商之间的自动故障转移、可将多个模型组合成一次调用的路由 DSL，以及在你希望由一组模型共同作答时使用的模型融合。这并不会把对讲机变成电话通话。它只是从链路中去掉了一个集成环节，同时双工模型仍在成熟。

需要明确说明哪些内容不可用：Dessa 不在 OrcaRouter 目录中，本文任何内容也不构成提供该模型服务的要约。当 Block 发布 API 时，像这样的模型在路由层值得按每对话分钟而非每 token 的价格进行比较——这一指标目前在任何价目表上都不存在，而它终将成为这一类产品被采购时所依据的指标。

诚实的总结

Dessa 是一项真正的研究成果，其演示页面质量异常出色，背后团队已有八年的语音研究积累，而且它以预览版而非产品的形式发布。有意思的地方并不在于对话听起来像真人——精选片段向来如此。而在于一个模型仅凭音频、在单个机架上就能学会对话，并且全双工被视为默认安排，而非一项功能。

如果这一点在留出集上依然站得住脚，那它会改变语音智能体的构建基础。在此之前，正确的标签就是它本身：不是一个可供调用的语音模型，而是关于技术栈走向的一个清晰信号。

来源说明：本文中每一项关于 Dessa 的说法——2026 年 10 月 23 日的公告、仅语音训练、单个 GB200 NVL72 机架、MacBook Pro M4 Max 的说法、研究预览版访问途径、缺失的数据、2020 年的收购以及“据我们所知”这一保留说法——均来自 Block 自己的公告和公司的公开声明，查阅于 2026 年 10 月 26 日，且未经独立核实。“尴尬而诡异”的描述和“Ronaldo”细节来自 The Verge 对同一批片段的报道。五项评估标准和延迟论点是我们自己的。OrcaRouter 的路由、定价和故障转移描述是我们已发布的产品行为。