Dessa Voice Model：Block 的純語音 AI 究竟是什麼，以及它在語音代理中的定位

「Dessa voice model」是個合理的搜尋項目，卻很難找到，因為 Block 尚未推出。該公司於 2026 年 10 月 23 日宣布的是 Dessa 的研究預覽版；這是一個全雙工語音對語音模型，從零開始以人類對話訓練——沒有文字語料庫、沒有預訓練語言模型，只有音訊輸入與音訊輸出，中間別無他物。沒有 API、沒有價格、沒有權重檔、沒有基準測試，也沒有參數量。還有一個值得先釐清的命名衝突：歌手 Dessa 會出現在相同的搜尋結果中，而這個模型的名稱來自 Block 於 2020 年收購的多倫多語音研究新創公司，其前團隊現在由 Ragavan Thurairatnam 領軍執行此專案，並向 Jack Dorsey 匯報。

確切地說，這東西究竟是什麼

Dessa 是端到端語音到語音模型。你說話時，它會在自己說話的同時聽見你，並以音訊回答。沒有轉錄步驟、沒有文字回合，也沒有獨立的合成階段。Block 表示，該模型完全以錄製的人類對話訓練，沒有使用文字資料，也沒有預訓練檢查點；訓練是在單一 NVIDIA GB200 NVL72 機架上進行——一個機架內有 72 顆 Blackwell GPU，這在一個前沿文字模型動輒使用數萬顆加速器訓練的領域中，是一項引人注目的資料效率主張。

另外還有兩項進一步的主張與之並列。Block 表示，在 MacBook Pro M4 Max「或更高等級」上，推論速度比即時更快——頂規 M4 Max 配備 128 GB 統一記憶體，因此能在那裡輕鬆容納的模型，以當前標準來說並不算龐大。那是從一項主張推導出的推論，而非揭露：並未附上量化、記憶體佔用量或每秒 token 數等數據。

Block 實際公開的內容，是十幾段對話錄音和一組形容詞。The Verge 聽了同一批片段，形容這些對話「有點尷尬又詭異」，並指出其中一段模型稱呼其對話對象為「Ronaldo」。在 Block 挑選的片段中，Dessa 會在自己句子講到一半時笑出來、被要求時提高音量、替講者補完對方忘掉的電影片名，還會在週年驚喜揭曉時倒抽一口氣。

為什麼「voice model」是正確的用語，而「text to speech」不是

這個區別比品牌名稱更重要。文字轉語音模型接收一個字串並回傳音訊：它完全不知道先前說了什麼，無法被打斷，也無法打斷別人。語音原生對話模型則接收音訊並回傳音訊，而所有讓它感覺像參與者的要素——時機、重疊、附和回應、你正要開口卻改變主意的那半秒——都存在於文字轉語音模型所沒有的部分裡。

全雙工是這種電話通話模式的技術名稱。模型會邊說邊聽，因此句子說到一半被打斷也能恢復，還能在你說話時插話。你用過的每一個對講機式語音助理，每次輪替都有一道聽得見的界線：它會等待靜默、判定你已說完、轉錄、思考、合成語音，然後播放。你會學會等待嗶聲。全雙工模型則從你幾乎要開口的那一刻就開始學習。

那是互動屬性，不是智能屬性。一個模型可以有無懈可擊的發言輪替，卻沒什麼可說；也可以有精彩的答案，卻以傳真機般的時機送達。示範片段所確立的是，Block 打造出的東西行為起來像個參與者。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。

它會位於你現有技術堆疊中的哪個位置

多數團隊目前實際運行的語音代理是一條鏈路：先做語音辨識，再經過語言模型，最後進行語音合成。每一次跳轉都會增加延遲，每一個供應商都是一份獨立的合約，而中間那份轉錄文本，正是情緒、猶豫與打斷消亡的地方。

延遲計算說明了為什麼雙工模型值得關注。在這條鏈路中，第一個可聽見的回應要等待辨識器完成、語言模型產出完整子句，以及合成器將其渲染出來。雙工模型可以在還沒決定要說什麼之前就開始做出可聽見的反應——在 200 毫秒時發出一聲「mm」是合理的對話舉措，而合理的對話舉措正是整體設計的目的所在。

只會語音的模型所沒有的東西——工具呼叫、結構化輸出、對你的文件進行檢索，以及原生 JSON 介面——正是這條鏈路在交換中給你的全部。Block 在自己的頁面上承認了那些未解的問題：相較於文字模型，只會語音的模型學習事實與語言的效率如何；以及在沒有文字預訓練的情況下，脈絡內學習是否仍能成立。這些都不是註腳；它們是引人入勝的對話式代理與通用型助理之間的差別。

中間那套站得住腳的架構，是語音原生層搭配一個能讀取你試算表的東西。這是 Block 尚未提出的論點，而目前的預覽版並未提供任何介面，讓這樣的搭配得以發生。

缺少什麼，請直接列出

對如此備受注目的發布而言，這種缺失異常徹底，因此值得一一記下：參數數量、上下文長度、資料集大小或音訊時數、訓練時長、以毫秒計的延遲、基準測試成績、授權條款、價格、權重，以及 API 文件。存取方面，是提供給一小群以機構電子郵件申請的 AI 安全研究人員的早期存取，另外還有公開候補名單，其發布連結被描述為即將推出。

那些缺失的數字，重要性並不相等。定價或權重檔會告訴你誰能使用它。有沒有 API 或 SDK，決定它是一個模型，還是一篇論文。以毫秒計的延遲數字，是影片片段在結構上唯一無法傳達的東西；而對雙工模型來說，時序就是產品本身。基準測試是四者中最不急迫的，因為針對對話重疊的基準測試，目前沒有任何一個是大家信得過的。

如何針對你自己的使用情境評估語音模型

如果你正在等待取得使用權——或正在評估另一個已經推出的語音原生模型——這些量測指標將決定它是否適合投入生產。目前 Dessa 並未公布其中任何一項，這就是這份清單值得保留的原因。

• 留出的對話集，附有公開的提示詞，而非精選亮點。一個記錄大量對話並公布其中最精彩內容的團隊，只告訴你好對話確實存在；這與可靠性並非同一項主張。

• 端到端回應延遲，包括到第一次可聽見反應的時間，而不只是「比即時更快」。

• 中斷恢復 — 模型在被中斷後多常失去脈絡，以及它多快能重新接回。

• 噪音環境下的可懂度——這正是語音系統往往最先失效之處，也是每個示範都默不作聲的地方。

• 事實保留，因為這正是從訓練中捨棄文本所換來的明確取捨。

今天要做什麼

對於下一季就必須上線的任何東西，技術堆疊仍然是辨識器、語言模型、合成器，而這個堆疊已經可以透過單一端點組裝起來：OrcaRouter 讓 200+ 個模型透過同一把金鑰、以供應商定價、0% 加成進行路由，並具備供應商之間的自動容錯移轉、可將多個模型組合成單一次呼叫的路由 DSL，以及當你想要一組模型共同回答時的模型融合。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，從鏈條中移除了一個整合環節。

把話說清楚：目前無法提供的是——Dessa 並不在 OrcaRouter 的目錄中，而本文任何內容都不構成提供該模型的要約。等到 Block 推出 API，像這類模型真正值得在路由層比較的，會是「每分鐘對話成本」而非「每 token 成本」——這個指標目前不存在於任何價目表上，卻終將是這個類別日後採購時所依據的標準。

誠實的總結

Dessa 是一項真正的研究成果，擁有異常出色的展示頁，背後是一個有八年語音研究經驗的團隊，並以預覽版而非產品的形式發布。有趣的說法不是這些對話聽起來像真人——精選片段向來都能做到。而是模型可以僅靠音訊、在單一機架上學會對話，而且全雙工被視為預設安排，而非一項功能。

如果這在留出集上仍然成立，就會改變語音代理的建構基礎。在那之前，正確的標籤就是它本來的樣子：不是一個你能呼叫的語音模型，而是一個清楚的訊號，指出技術堆疊正往哪裡走。

資料來源說明：本文中每一項關於 Dessa 的說法——2026 年 10 月 23 日的公告、僅以語音訓練、單一 GB200 NVL72 機架、MacBook Pro M4 Max 的說法、研究預覽版存取途徑、缺失的數字、2020 年的收購，以及「就我們所知」的保留說法——都出自 Block 自家的公告與該公司的公開聲明，於 2026 年 10 月 26 日讀取，且尚未經過獨立驗證。「尷尬且詭異」的描述與「Ronaldo」細節出自 The Verge 對同一批影片的報導。五項評估標準與延遲論點則是我們自己的。OrcaRouter 的路由、定價與容錯移轉描述，是我們自家已發布的產品行為。