Block语音模型跳过文字训练

Block推出实验性对话模型Dessa，称其从零开始只用人类语音训练，不使用文字或预训练模型。它试图保留语音转录时容易丢失的停顿、语调和情绪线索。目前这仍是研究展示，不是面向所有用户开放的语音助手。

为什么绕过转录文字

常见语音助手先把声音转成文字，再让语言模型生成回答，最后合成语音。这种流程便于组合不同组件，但转录稿只是对谈话的压缩记录：一句话之前的迟疑、说到一半的打断、紧绷的嗓音，都可能改变意思。并非所有现有语音系统都采用同一条流水线。

Block将Dessa描述为声音输入、声音输出，知识也来自语音对话。官方示例展示了笑声、音量变化和有情绪起伏的回答。TechCrunch独立报道了发布及演示，但报道本身不等于对模型可靠性的独立跑分。

边听边说改变了什么

全双工指的是收听和发声可以重叠。助手不必机械地等到对方彻底说完，理论上也能在回答时接收纠正，或在对方继续说话时给出简短回应。重点是对话时序，而不只是声音是否像真人。

官方页面称展示片段为实时对话录音，字幕是事后添加的。这些经挑选的示例有助于理解目标体验，但无法说明模型在多少次交谈中会错误抢话、错过纠正，或在嘈杂环境中失灵。

本地运行不等于公众可用

Block称Dessa可在配备M4 Max或更高配置的MacBook Pro上本地运行，推理速度快于实时。这是开发者对硬件与速度的说明，不是公开的跨设备性能评测，也不意味着普通消费电脑都能运行。

本地推理可以减少把谈话声音发送到服务器的需要，但具体效果取决于应用实现。它本身不能证明应用不录音、不留存数据。官方提供候补名单，并邀请少量AI安全研究人员提前测试，而非向公众无限制开放。

哪些结论仍待检验

Block还称训练使用了一套NVIDIA GB200 NVL72系统，接触的词数比大语言模型少数百倍。这些都是企业自述，无法据此直接比较能力、数据质量、算力费用或能耗。一套系统也不等于一张GPU。

下一步更有价值的测试包括不同设备上的响应延迟、被打断时的表现、口音和背景噪声、事实准确性，以及用户能否明确知道自己在和机器说话。声音显得体贴，不代表模型有感情、理解痛苦或适合提供临床建议。

目前应把Dessa看作值得关注的语音交互研究方向，而非可以立即替换可靠服务的产品。若未来正式推出，使用前先核对开放范围、硬件要求和录音控制。