Block发布Dessa：语音AI更像真人

Block把语音AI的训练起点，重新放回人类对话

Block近日发布了名为 Dessa 的语音AI模型，并宣称这是首个完全基于语音、从头使用人类对话训练，可进行真实交流的AI模型。与常见的语音助手不同，Dessa并不把声音简单转换成文字，再交给大语言模型回答，而是试图直接学习人类如何听、如何接话，以及什么时候应该保持沉默。

截至2026年10月23日，Block尚未公布Dessa的参数规模、训练数据量、端到端延迟、公开测试集成绩、定价或开发者接口。现阶段外界能看到的核心证据主要来自团队公开的真实对话片段，因此Dessa更像一次研究成果预告，而不是已经可以直接接入产品的成熟模型服务。

Dessa最值得关注的地方不是声音足够拟真，而是它把“人类对话本身”当成了训练目标。Block团队对其训练方法的描述是“from scratch on nothing but human conversation”，即从头开始，只使用人类对话训练，而不是先用海量文本构建语言能力，再额外接入语音识别和语音合成模块。

这个训练思路听起来朴素，实际差异很大。文本记录保留了“说了什么”，却会丢掉说话速度、停顿长度、犹豫、重音、笑声、呼吸、情绪变化和多人声音重叠等副语言信息；而真实对话数据同时包含语义内容与交流节奏，模型学习的不只是答案，还包括一句话应该怎样被说出来。

全双工不是更快的语音识别，而是允许双方同时说话

全双工语音AI是能够在输出语音的同时持续接收、理解用户声音，并动态决定继续说、停下来或让出话轮的系统。它与电话相似，双方可以同时开口；传统语音助手则更像对讲机，必须等一方完全说完，另一方才能开始。

Dessa被Block定义为全双工语音到语音模型，这意味着它理论上不需要等到用户结束一整句话才启动回复。用户在模型回答期间补充信息、表示犹豫或直接纠正错误时，模型可以感知这些变化，并调整正在生成的内容。

判断什么时候开口，是实时语音AI最容易被低估的问题。人类面对面交流的典型话轮间隔约为200毫秒，远程通话约为400毫秒，而语音AI的端到端延迟接近1秒时，才通常会被认为开始接近自然交流速度。延迟只是其中一部分：模型判断过早会抢话，判断过晚又会出现令人不安的沉默。

传统级联系统很难彻底解决这个问题。级联系统是由自动语音识别、文本大模型和语音合成三个模块串联组成的语音方案，其典型链路为ASR识别声音、LLM生成文本、TTS朗读答案。每个模块都要等待上一步给出相对完整的结果，错误和延迟也会沿链路累积。

端到端语音模型则直接在音频输入与音频输出之间建模。它可以保留语气和情绪，但训练成本、推理成本、安全治理难度也明显更高，因为开发者不再能只检查一段规整的中间文本，就判断模型究竟听到了什么、为什么以某种语气回答。

Dessa的“不完美”，反而暴露了它真正想解决的问题

Dessa目前最出圈的演示并不完美，甚至有些尴尬。在Dessa负责人Ragavan Thurairatnam公开的一段对话中，模型一开始把说话者错认成了名为Ronaldo的人，随后双方才进入相对自然的交流状态。

这次认错人不能被包装成拟人化能力，它首先是一次明确的身份判断错误。如果Dessa未来进入银行、支付、客服或个人助理场景，把用户认成另一个人可能导致隐私泄露、错误执行任务，甚至越权访问，因此身份信息必须依赖独立认证机制，而不能依靠模型从声音和上下文中猜测。

这段略显诡异的演示仍然具有研究价值，因为它展示了语音AI正在跨越一个新的门槛。过去的语音助手往往声音流畅、答案完整，却总像在播报预先写好的稿件；Dessa呈现出来的停顿、误解、修正和接话，更接近真实对话的动态过程，也更容易让用户产生“对面有一个交流对象”的感觉。

自然并不等于正确，这会成为Dessa最需要面对的产品问题。一个回答稍慢、机械但可预测的助手，可能比一个语气自信、节奏自然却经常认错人的模型更适合处理支付和账户操作；后者则可能更适合游戏角色、陪伴硬件、口语练习和低风险客服分流。

Dessa与GPT-Live、豆包实时语音、Moshi有何不同

Dessa进入的并不是一片空白市场，而是一条竞争已经相当激烈的技术赛道。OpenAI、字节跳动Seed与法国研究机构Kyutai都已探索端到端或全双工语音系统，但各家的产品目标并不完全相同。

| 模型或系统 | 核心技术路线 | 是否全双工 | 训练或能力重点 | 已公开性能数据 | 开放与价格状态 | |---|---|---:|---|---|---| | Block Dessa | 直接语音到语音，宣称从头只用人类对话训练 | 是 | 对话节奏、重叠语音、停顿和自然接话 | 未公布延迟、参数或基准测试 | 未公布API、权重与价格 | | OpenAI GPT-Live | 持续语音模型配合异步任务委派 | 是 | 边听边说，并可调用GPT-5.5等模型完成推理和工具任务 | 官方强调移除独立轮次检测器，未在参考资料中给出统一延迟数字 | 商业系统，具体能力随产品开放 | | 豆包实时语音大模型 | 语音与语义联合建模的端到端系统 | 支持实时打断 | 中文语境、情绪承接、声音表现力与指令演绎 | 官方称真实众测满意度优于GPT-4o，但未披露完整样本和分数 | 已进入实际产品和服务场景 | | Kyutai Moshi | 多音频流与神经音频编解码器 | 是 | 同时建模用户声音、模型声音和内部文本流 | 公开技术实现，具体体验依部署硬件而变 | 提供公开代码和模型资源 |

Dessa与GPT-Live最大的区别在于训练叙事。GPT-Live强调把实时语音交流与高能力前沿模型连接起来：语音模型负责维持快速对话，需要复杂推理或工具调用时，再通过异步路径委派给GPT-5.5等模型；Dessa目前强调的则是模型从人类语音对话本身学习交流方式。

Dessa与豆包实时语音大模型的差异更多体现在场景和语言侧重点。豆包把中文口语、方言感、情绪回应、演唱和角色化表达作为重要展示方向，并明确面向可落地的消费产品；Dessa公开材料更关注通用的人类对话结构，目前还缺少对语言覆盖范围、复杂知识问答和工具使用能力的说明。

Dessa与Moshi的共同点是都把双向音频流放在模型设计中心。Moshi通过多流架构同时处理用户语音、模型输出和内部表征，并使用低帧率神经音频编码降低流式推理压力；Dessa尚未发布模型论文或架构细节，因此外界还无法判断它采用的是相似的多流自回归方案，还是另一套语音表征方法。

Dessa现在没有足够数据证明自己领先同类产品。Block尚未给出首包音频延迟、打断响应时间、误抢话率、重叠语音理解准确率、长对话稳定性或盲测偏好分数，而这些指标比剪辑后的演示更能说明模型是否真正可用。

只用人类对话训练，优势与代价同样明显

真实人类对话数据是由两名或多名说话者在连续交流中产生，并保留时间顺序、话轮关系和声学特征的语音数据。它与朗读语料的区别在于，朗读通常句子完整、发音清晰且几乎没有抢话，而自然交谈充满省略、重复、口误和相互打断。

只用对话数据训练的直接优势，是模型可以学到文本语料中不存在的隐性规则。例如，用户说“嗯……”可能是在思考，也可能是在暗示模型继续；一句“行吧”可能表示同意，也可能带有明显不满；短促吸气可能意味着用户准备插话。把这些信号转成文字，往往只剩下相同的几个字。

只用对话数据训练的明显代价，是高质量语料更加昂贵且难以清洗。公开资料显示，一些商业语音数据集需要动员超过15万名说话者，积累千万轮双工对话，才能覆盖不同口音、年龄、环境噪声和互动风格。相比抓取网页文本，录制并获得授权的人类对话需要更复杂的同意、脱敏和质量控制流程。

“只用人类对话”也仍然是一个需要澄清的表述。Block目前没有说明这些对话是否全部为自然产生、是否包含人工设计任务、是否使用合成语音扩充、是否经过文本标注，也没有解释安全对齐阶段是否引入文本或其他模态数据；在模型卡发布前，不宜把宣传语直接理解为整个训练流程完全没有文字参与。

训练数据来源还决定了Dessa会表现得像哪一类人。若数据主要来自英语母语者、客服通话或特定年龄群体，模型可能把某些地区的停顿习惯、礼貌规则和表达方式当成普遍规律。语音模型的偏差不只体现在答案里，也会体现在口音、抢话频率和面对不同用户时的耐心程度上。

Block真正瞄准的，可能不是聊天机器人

Dessa对Block的战略价值可能高于一款独立语音助手。Block旗下业务涉及Square商户服务、Cash App等高频交易场景，如果自然语音模型能够可靠地完成商户咨询、收银辅助、售后支持和无障碍操作，它就有机会成为支付产品的新交互层。

支付场景同时会把Dessa的缺点放大。语音容易受到背景人声、录音回放、声音克隆和多人同时说话的影响，因此“听起来像本人”不能等同于身份认证；涉及转账、退款、账户修改等高风险动作时，系统仍需通过设备状态、密码、生物识别或二次确认完成独立校验。

陪伴与教育场景可能更适合Dessa早期落地。口语陪练需要模型在用户说错时及时纠正，又不能频繁打断表达；儿童玩具需要处理含混发音、突然转移话题和多人环境；游戏NPC需要在玩家插话时立即改变台词。这些场景对自然节奏的需求很高，对事实错误的容忍度则相对可控。

客服场景会检验Dessa是否只有“聊天感”，还是确实具备任务完成能力。一个自然地说“我理解你的感受”的模型，如果无法准确查询订单、解释政策并执行退款，它只是更拟真的语音外壳；真正有商业价值的系统必须把低延迟对话与稳定工具调用、权限控制和业务状态管理结合起来。

衡量Dessa不能只听声音像不像真人

语音AI的评估必须同时覆盖自然度、任务能力和安全性。只评估合成音质会鼓励模型追求悦耳声音，却忽略打断、事实准确性和工具执行；只评估文字答案又会错过语气、沉默与重叠语音中的大量信息。

Dessa接下来至少需要公开以下指标：

• 首包音频延迟：用户结束关键表达后，模型输出第一段可听语音需要多少毫秒。
• 打断响应时间：用户在模型说话期间插入新内容后，模型需要多少毫秒停止原输出。
• 误抢话率：用户正常停顿但尚未说完时，模型错误开口的比例。
• 重叠语音理解率：双方同时说话时，模型能否保留用户新增信息。
• 长对话一致性：在10分钟、30分钟甚至更长交流中，模型是否持续记住身份和上下文。
• 任务完成率：模型在客服、预约或设备控制场景中是否正确完成目标，而非只生成自然回答。
• 说话者混淆率：多人环境下，模型把甲的身份、指令或偏好归给乙的概率。
• 盲测偏好分数：用户在不知道模型名称的情况下，对自然度、帮助程度与信任感的真实选择。

公开对话演示只能证明Dessa可以工作，不能证明它在规模化环境中稳定工作。网络抖动、低端设备麦克风、背景电视声、方言、儿童发音和多人会议都会显著增加难度，而实验室片段通常不会完整呈现这些失败条件。

结论：方向正确，但现在还不能宣布赢家

Dessa代表了语音AI从“把文字念出来”转向“直接学习如何交流”的明确趋势。训练语料从网页文本转向真实对话、架构从轮流请求转向全双工音频流，最终改变的不是声音是否更像真人，而是机器能否进入人类原本的交流节奏。

Block对Dessa的定位足够有吸引力，但现阶段证据仍然有限。没有模型卡、论文、数据说明、公开评测与产品接入方式，Dessa还无法与GPT-Live、豆包实时语音或Moshi进行严格的同条件比较，团队所谓“首个”也应被视为厂商主张，而不是已经得到独立验证的结论。

Dessa最有价值的信号，是语音模型的竞争标准正在变化。下一代产品不再只比谁回答得快、声音更好听，而要比较谁更懂得什么时候说、什么时候停、被打断后如何恢复，以及在像人一样交流的同时，能否避免把人认错。

参考来源

• 语音大模型概述（持续更新至2026年8月）：整理级联、端到端和全双工语音模型的技术路线，并介绍Moshi等代表性系统。
• Kyutai Moshi GitHub仓库：Moshi全双工语音模型的公开实现，可用于了解多流实时语音架构。
• Kyutai在Hugging Face上的模型主页：收录Moshi相关模型与权重信息，用于对比开放式实时语音方案。