Block 的 Dessa 僅以語音訓練而成——以下是這些演示未能證明的事

Block 发表了十几段对话录音，却连一个基准测试数字都没有。这个比例是关于Dessa最有信息量的一件事；Dessa 是 Jack Dorsey 的公司于 2026 年 10 月 23 日发布的全双工语音模型。Dessa 完全从零开始，以人类对话训练，不使用文本，也不使用预训练模型，而且它做了一件确实很不寻常的事：它同时聆听和说话，音频输入、音频输出，中间没有转写步骤。截至本文撰写时，它也还是一个藏在候补名单后面的研究预览，没有参数数量、没有 API、没有价格、没有权重，也没有公开的评估结果。这些演示就是全部的公开证据基础。

那並不代表這則公告是空洞的。一個不靠文字語料庫就能學會語言的語音模型，挑戰了業界多數人已不再質疑的一項假設——文字才是知識所在，而語音只是其上的薄介面。但「演示令人震驚」與「我們知道這個模型能做什麼」之間的落差很大，而 Block 自家的頁面對這個落差，比多數發布文章都更坦率。最關鍵的那句話只有四個英文單字長：「據我們所知」。

Block 實際上在頁面上放了什麼

去掉形容詞後，已確認的紀錄其實很短。以下所有內容都來自 Block 自己的公告或該公司的公開聲明；這裡沒有任何內容經過獨立核實。

• 發佈 — 於 2026 年 10 月 23 日宣佈，作為研究預覽版本，並非正式全面推出的產品。

• 形式——端到端語音對語音：音訊輸入、音訊輸出、全雙工、無文字中介。

• 訓練——完全從零開始，僅使用人類對話。Block 表示未使用任何文字資料，也未使用預訓練模型。

• 運算 —— 據該公司表示，訓練是在單一 NVIDIA GB200 NVL72 機架上進行的。

• 本機推論——Block 聲稱在 MacBook Pro M4 Max「或更佳機型」上，其執行速度比即時更快。

• 存取權限——「一小群 AI 安全研究人員」可透過機構電子郵件申請取得早期存取權，另設有公開候補名單。頁面表示，啟用連結即將公布。

• 缺少——參數數量、上下文長度、資料集大小或音訊時數、訓練時長、延遲（毫秒）、基準測試分數、授權、價格、權重，以及任何 API 文件。

這個團隊是 Block 內部的一個小型研究小組，由 Ragavan Thurairatnam 領導，以 Block 於 2020 年收購的多倫多新創公司 Dessa 的前成員為核心組成，並直接向 Dorsey 匯報。這段淵源對於解讀這則公告很重要：這是一個在生成式語音領域有八年歷史的實驗室，而不是一家支付公司把 demo 硬塞進產品路線圖。這也說明了為何這次發布看起來像研究產物而非產品發表——因為它正是如此。

全雙工才是值得理解的部分

大多數語音助理的運作方式就像對講機。系統會等你停下來，判斷你已經說完，轉錄，思考，合成回覆，然後播放。每一個這樣的界線都聽得見。你學會等待嗶聲，而模型從那半秒——你正準備開口卻改變主意的半秒——什麼也學不到。

全雙工是電話通話模式。模型在說話時同時在聆聽，因此能在句子講到一半時被打斷，也能在你說話時插話說「是啊」或「了解」，並依你的節奏調整時機。Block 的示範強烈倚重這一點：Dessa 會在自己句子講到一半時笑出來、被要求時提高音量、替講者補完忘掉的電影片名，還會在揭曉週年紀念時倒抽一口氣。聽過同一批片段《The Verge》形容這些對話「有點尷尬又詭異」，並特別指出其中一段，Dessa 稱它的對話夥伴為「Ronaldo」。

兩種反應都可能是真的。全雙工是一種互動特性，不是智能特性。一個模型可以擁有無懈可擊的輪替發言，卻沒有什麼有趣的話可說；或者能給出精采答案，卻以傳真機的節奏送達。這些示範所確立的是，Block 打造出了某個行為像參與者的東西。它們無法確立的是，在沒有人挑選片段時，它有多常表現成那樣。

僅靠語音訓練能換來什麼，又要付出什麼代價

主張只訓練語音的理由是：文字會丟掉一場對話所承載的幾乎一切。一段「fine」的轉錄稿只是一個詞。音訊則是一聲嘆息、一次停頓、一個音調的下沉，以及一個關於該不該再問一次的判斷。Block 所陳述的安全動機正是由此而來：一個聽不出痛苦的語音系統，恰好對客服通話或危機熱線中真正要緊的那個訊號完全聽而不聞。

成本同樣是結構性的。大型語言模型的事實涵蓋範圍、程式碼、結構化輸出與工具呼叫能力，全都來自文字。只以語音訓練的模型，對 PDF、JSON schema 或 API 呼叫沒有原生介面。Block 在其自家頁面上承認了這些未解問題：相較於文字模型，純語音模型學習事實與語言的效率如何；以及沒有文字預訓練的情況下，脈絡內學習是否仍能存續。這些都不是附註。它們是引人入勝的對話式代理與通用型助理之間的差別。

中間存在一個站得住腳的立場：語音原生模型本身不需要讀取你的試算表，只要它與某個能讀取的東西搭配即可。但那是 Block 尚未提出的架構論證，而目前的預覽版並未提供任何能實現這種搭配的介面。

證據基礎是一支精心策劃的演示影片。

Block 表示這些片段是實況錄影，沒有人操控模型，字幕是事後加上去的。這些都是良好的做法，也排除了最粗糙的示範造假形式。但它們無法排除挑選。一個團隊錄下許多對話、只公開其中最精彩的幾段，等於告訴你「好的對話確實存在」，這與「這個模型很可靠」並不是同一個主張。

獨立評估所需的條件很具體，值得現在就寫下來，好讓下一次公告能以此為衡量基準：

• 一組保留的對話集，提示詞已公開，而非精選亮點。

• 回應延遲以端到端方式測量，包含首次可聽見反應的時間，而不只是「比即時更快」。

• 中斷後復原：模型在被中斷後多常失去思緒脈絡，以及多快能重新接上。

• 噪音下的可懂度，這通常是語音系統最先失效的地方。

• 明列的運算與資料預算，讓「字詞少數百倍」的說法有可供核對的依據。

• 某種程度的事實保留，因為那正是捨棄文字所明確換取的取捨。

這些目前都還不存在。對預覽版來說這很正常，對正式發布來說則不正常，這就是為什麼今天對 Dessa 最正確的標籤是「研究成果，附帶一個異常出色的展示頁面」。

硬體方面的主張是較低調的那一個。

頁面上有兩個硬體數字，兩者都尚未經過核實。第一個是訓練使用了一台 GB200 NVL72——單一機架，搭載 72 顆 Blackwell GPU。若屬實，這是一個驚人的資料效率主張：一個能進行對話的模型，僅在一台機架上訓練，而在這個領域，前沿文字模型是用數萬個加速器訓練出來的。這也是那種完全取決於規模的主張：一台機架用了多久、用了多少小時的音訊、擁有多少參數？

第二點是，在 MacBook Pro M4 Max 上，推論執行速度快於即時。頂規 M4 Max 配備 128 GB 統一記憶體，因此能輕鬆容納於其中的模型，以現代標準而言並不算龐大。那是推論，並非揭露。Block 尚未公布模型大小、量化方式、記憶體占用或每秒詞元數，因此這項筆電相關說法無法被重現，只能被複述。

這正是技術讀者應該最強烈感受到這項缺失的地方。關於這個模型實用性的一切——每次對話的成本、它能否在手機上運行、API 是否有可能變得便宜——都取決於 Block 選擇不公布的一個數字。

為何存取權限設有門檻，以及這對評估為何重要

Block 表示，打造 Dessa 的理由是出於好奇、更深入理解人類與 AI 的互動，以及安全考量。這道門檻與第三點相符：一個能讀懂情緒、又能令人信服地對話的嗓音，本身就是現成的冒充工具，而避免登上負面新聞頭條最快的方法，就是把它關在小房間裡。

取捨在於，有條件的存取與獨立評估會互相拉扯。一小群安全研究人員很可能能產出最有用的紅隊測試結果，但這些結果會按照 Block 的時間表出現，而且大多數情況下會經過 Block 的審查。在外部的團體公布數據之前，公開紀錄只包含供應商的影片片段，加上記者對這些影片片段的印象。對於「在情緒表達上超越其他一切」這句話來說，這樣的依據很薄弱，因為那是在主張一項沒有人實際做過的比較。

什麼會讓這變成一個產品？

四件事，大致按重要性排序。價格或權重檔案，因為兩者之一就能告訴你誰能使用它。API 或 SDK，因為無法呼叫的模型只是紙上談兵。基準測試或獨立評估，因為「最真實」不是一項指標。以及以毫秒為單位的延遲數字，因為全雙工的整個價值就在於時序，而時序正是影片片段無法傳達的一件事。

其中任何一項都會改變這篇文章應該怎麼讀。四項全都成立的話，那就會是一次發布。

如果您在那之前需要語音代理

生產環境語音代理的實務堆疊，仍然是先語音辨識、再語言模型、最後語音合成。每一次跳轉都會增加延遲，而且每個供應商都是一份各自獨立的合約。OrcaRouter 是中間層：一個 API 就能對接 200 多個模型，且零加成——供應商牌價直接透傳——跨供應商自動容錯移轉、可用路由 DSL 將多個模型組合成單次呼叫，以及當你想要一組模型共同回答時可用的模型融合。這不會讓對講機變成電話通話；它只是在雙工模型成熟之前，從鏈條中移除一項整合。

說清楚我們沒有的東西：Dessa 不在 OrcaRouter 的型錄中，本文任何內容都不應被解讀為我們提供其服務的要約。當 Block 推出 API 時，路由層正是這類模型值得以每分鐘對話價格、而非每 token 價格來比較的地方。

看什麼

值得認真看待的主張並不是「首創」。而是：語言或許能從語音中以少上數百倍的資料量學會，而由此產生的模型或許能以逐字稿永遠無法做到的方式理解一段對話。如果 Block 發表一篇包含資料預算、參數量與留出評估的論文，這項主張就變得可檢驗。如果下一次公告又是另一組音檔片段，那個有趣的問題仍將懸而未決——而候補名單仍會是唯一的門路。