语音助手用起来总差点意思：你说完它才开口，你一插话它就断，语气全是平的。Block（Jack Dorsey 创办、Square 母公司）10 月 24 日给出的答案是 Dessa——一个从零开始、只用人类语音训练的对话模型。没有文本、没有转写、没有文本预训练，连一个词都没被写下来过。
这个思路跟我们熟悉的路线完全不同。ChatGPT、Gemini 的语音功能本质上是”语音识别 → 文本大模型 → 语音合成”的三段式，而 Dessa 只有一段：音频进，音频出。Block 的说法很直白——婴儿学说话时从没见过文字，我们想看看模型能不能也这样学会。
Dessa 到底是什么
官方定义是”真正的语音到语音模型，它知道的一切都来自人类说话”。几个关键点：
- 全双工（full-duplex）：能一边听一边说，像人一样在你说话中间插一句”嗯哼”、笑声，或者中途打断纠正，而不是等你闭嘴再处理
- 延迟压到 200 毫秒以内：这个数字接近人类对话的自然停顿，超过 500 毫秒就会明显感到”机器在等”
- 会话记忆：同一次会话里它记得前面说过什么，能接住上下文，而不是每轮都从零开始
- 本地运行：官方说能在 MacBook Pro M4 Max 或更强的机器上跑，不用连云端
- 原生理解副语言信息：语气、情绪、讽刺、笑声、停顿，这些在转写成文字后会全部丢失的东西，它是直接听到的
训练数据量只有文本模型的千分之一
这是我觉得最有意思的部分。文本大模型动辄训练几万亿 token，而 Dessa 的训练量按官方披露是千小时级别的语音。Block 团队的说法是，一小时语音大约相当于一本书的量，一百亿小时才凑到万亿词级别——他们把这个数量级砍掉了几个零，靠的是”语音本身信息密度更高”这个赌注。
换句话说，Dessa 是一次反向实验：所有人在往文本模型上加语音外挂，Block 试图证明”只学说话”这条路走得通。如果成立，意味着低资源语言、方言、口语化表达不需要大量文本语料就能覆盖——这对中文方言场景的想象空间不小。
演示效果：自然，但明显还嫩
官方放出的几段录音里，Dessa 的表现是”像个不太熟练但很真诚的新朋友”：聊诺兰电影时会突然岔到布莱恩·辛格的《超人》上去，被人说要带它去巴黎时回答得像”含着眼泪的道谢”，猜测游戏里一开始把说话人认成了一个叫”Ronaldo”的人。
还有一段是 Dessa 和 OpenAI 的 GPT-Live-1 语音模型对聊，The Verge 的判断是 Dessa 听起来更自然。不过要我说，这类官方挑选的样本看看就好——真实体验得自己上手，而现在你上不了手。
三个必须说清的局限
第一，它现在不是产品。Block 明确说 Dessa 是研究项目，权重没有开放，只向一小批 AI 安全研究者开放权限去挖问题。想下载来跑的人可以先死心。
第二，只有英语。语音训练路线在中文上的表现完全未知——中文的声调、儿化、方言变体对”只学声音”的模型是另一道关。目前没有任何中文评测数据。
第三，硬件门槛不低。MacBook Pro M4 Max 起步，意味着统一内存至少 48GB 级别。这跟之前本地跑大模型的处境一样：能跑，但普通人跑不动。想了解这类门槛可以看 Muse Spark Open 评测 和 Recursive Flint 评测，都是”直装笔记本”但门槛劝退的典型。
放在语音赛道里看，Dessa 什么位置
| 产品 | 技术路线 | 能否直接用 | 本站评分 |
|---|---|---|---|
| Block Dessa | 纯语音训练，全双工，本地运行 | 仅研究者，未开放 | 暂不评分 |
| Gemini Live Avatar | 文本大模型 + 实时语音 + 视频形象 | 可用，97 种语言 | 8.6 |
| ChatGPT 语音智能体 | 语音转文本 + Agent 执行 + TTS | 可用，跨 App 操作 | 8.4 |
| GPT-6 Sol / Luna | 文本旗舰，语音走 Live 接口 | 可用 | 8.9 |
结论很清晰：Dessa 在”自然度”这个单点上可能领先，但在可用性上是零。Gemini Live 已经能做到 97 种语言实时视频对话，ChatGPT 语音智能体可以替你跨 App 查邮件——这些是今天就能用的东西。Dessa 目前的价值是证明了一条技术路线的可行性，而不是给你一个能用的工具。关于语音 AI 为什么迟迟没有”ChatGPT 时刻”，可以看这篇 行业访谈分析。
为什么值得盯住这件事
两个原因。一是架构差异会带来体验差异：现在所有语音助手的”卡顿感”都来自 ASR→LLM→TTS 的串联延迟，Dessa 这种单模型端到端方案把链路压成一段，理论上更接近真人。二是安全动机：Block 说得很清楚，让模型从声音学说话是全新领域，所以要先让外部研究者找风险——包括那些”听起来很像人但其实是机器”带来的欺骗风险。
至于 Jack Dorsey 为什么做这个，团队给的三条理由是”好奇心（也就是好玩）、让人和 AI 更好沟通、安全”。听着不像商业计划，倒也符合 Block 一贯的风格。
常见问题（FAQ）
Block Dessa 可以下载使用吗？
目前不行。Block 把它定位为研究项目，模型权重没有公开，只向小范围 AI 安全研究者开放。官网上只有演示录音，没有申请入口。
Dessa 支持中文吗？
官方没有给出任何中文能力数据，演示全部是英语。纯语音训练路线在中文声调、方言上的表现目前是空白，短期内不要期待。
什么是全双工语音模型？
全双工指模型可以同时接收和输出音频：你说话时它在听并且可以随时用”嗯””对”回应，你也可以中途打断它。相对的半双工模型只能”你说完它再说”，一次只有一个方向。
跑 Dessa 需要什么配置？
官方说法是 MacBook Pro M4 Max 或更好的机器，属于统一内存 48GB 以上的档位。即使权重将来开放，普通笔记本也很难跑起来。
Dessa 和 Gemini Live、ChatGPT 语音有什么区别？
最大区别是训练方式：Dessa 只用语音、不含文本，Gemini 和 ChatGPT 都是文本大模型加语音接口。体验上 Dessa 更自然但只有英语且不可用；后两者能力全面、多语言、今天就能用。
总结
Dessa 是一次有价值的路线验证，不是一款产品。它证明了”只靠语音也能学会对话”这条路至少走得通，同时把全双工、低于 200ms 延迟、本地运行这几个指标摆上了台面。对国内用户来说，现在能做的只有观察——等它开放权重，或者等某家国内厂商跟进这个思路。
想持续跟进新模型的实际可用性和评分，可以查看我们的 AI 模型库 与 工具对比引擎，或继续阅读：Liquid AI LFM 2.5 评测 · 亚马逊 Bee 个人 AI 设备 · 全部评测。