两台机器实时对话，人不在场
2026 年 10 月 23 日，Jack Dorsey 的 Block 发布了语音模型 Dessa 的公开 demo。页面里最特别的一段音频，是 Dessa 和第三方模型 GPT-Live-1 的实时对话：两个声音都是 AI，边说边听、互相接话，全程没有一个人类参与。同一页上还有一行声明：GPT-Live-1 的开发方与 Block 无关联，未审阅、也未背书 Dessa。
把一段「AI 对 AI」的实时对话放进公开发布，传递的信息很直接：这次发布的核心卖点就是 full-duplex（全双工）——模型在你说话的同时就在听、在处理、在决定什么时候接话。等你停止说话才开始响应的回合制语音助手，展示不出这种能力。
做 Dessa 的团队规模很小，是 Block 内部的一个 AI 研究实验室，成员来自多伦多深度学习创业公司 Dessa。这批人从 2012 年起做深度学习模型，生成式语音模型做了超过八年，直接向 Jack Dorsey 汇报。模型形态是 audio in / audio out 的真 speech-to-speech；训练从零开始，数据只有人类对话音频——没有一个字的文本，也没有任何预训练模型打底。
把文本从语音管线里整个拿掉，是这次发布里分量最重的决定。情绪、语气、打断的时机，这些只存在于声音里的信息，在「语音转文字、LLM 处理、文字转语音」的常规管线上，第一步就会被丢掉；Dessa 让模型直接从声音里学语言，这部分信息就留在了训练信号里。代价同样摆在明处：只用声音学语言，模型接触到的知识密度和广度，撑不起一个读过整个互联网的对手。看这次发布，产品视角只能覆盖一半，另一半是它做了一场正面实验——智能可以从哪种模态里长出来，各自的代价是什么。
整轮训练只用一台机架
Block 给出的第一个数字是数据效率：Dessa 学会语言所用的词数，比 LLM 少几百倍。文本模型的语言能力建立在海量文本之上，Dessa 只靠人说出口的话就完成了语言习得。数据效率差出几个数量级，指向一个工程判断：语言的声音部分，用很少的数据就能学会；文本模型吞下的海量数据，大头花在知识上。
第二个数字是算力：整轮训练只用了一台 NVIDIA GB200 NVL72——机架级系统，72 块 GPU。Hacker News 评论区有人估算这套硬件的采购成本在 400 万到 600 万美元之间。放在前沿大模型训练动辄上万卡、连转数月的参照系里，一台机架从零训出能实时对话的语言模型，把「学会对话」的算力门槛从行业级拉回到一个实验室付得起的水平。
推理侧的数字同样关键：Dessa 推理快于实时，本地部署的最低门槛是一台 MacBook Pro M4 Max 或更强的机器。快于实时是 full-duplex 的入场券，响应慢于你说话的速度，接话和打断都无从谈起。门槛压到一台笔记本，外部研究者才可能在本地反复压测它——后面那场风险测试能组织起来，前提就在这里。
没人教它什么时候笑
能力清单里信息量最大的是这一组：情绪、讽刺、笑声、叹息、声音发颤，Dessa 原生处理。这些信号在文本里根本不存在，常规语音助手拿到转写文字的那一刻就把它们丢掉了；Dessa 的训练信号里只有声音，这些东西成了它必须学的内容。你说话时它插进来的那句「yeah!」「got it!」（backchannel，附和）也在此列——那是人听人讲话时的自然反应，回合制助手给不出来。
笑的时机更能体现差异。Dessa 会在句子中间被逗笑，笑点到了就笑，等不到你说完再按 cue 补上。官方还举了一个例子：你对它说「说大声点」，它就真的变大声。Block 对此的原话是「没人教过它这个」——副语言行为没有被标注过，是从对话音频里自己长出来的。
官方 demo 页的多段演示都是真人出镜，和模型对话的包括团队研究者 Rayhane、实习生 Jibran 等多个人。用真实身份出镜、把自己人的对话做成公开素材，等于把「这些能力来自可查的真实对话」摊开给所有访客验证。
图：官方 demo 页里人类一方的头像。出镜者 Rayhane 是团队研究者本人——作者用自己和模型的真实对话做公开演示，素材没法与团队切割。来源：block.xyz/dessa
图：另一段官方演示的人类一方头像，出镜者 Jibran 是实习生。出镜者覆盖到普通团队成员，公开素材没有只挑研究者。来源：block.xyz/dessa
二十秒之后，那边没人在
Hacker News 的讨论把模型的另一面摆上了桌。听感最自然的那批演示，得到的评价里有代表性的一条：「仔细听它实际说的话，背后明显没什么智力」。有用户描述得更具体：听十几二十秒之后，会产生「那边没人在」的感觉。
这个批评和 Block 自己的叙事能对上。会接话、会笑、听得出情绪，这些能力全长在「对话流程」这一层；话里装多少真东西属于另一层，只用声音学语言的模型在这层天然吃亏——声音里有语言，知识的仓库主要建在文本里。 这是 Dessa 已经付掉的那部分代价。
讨论里也有替第一版说话的声音：v1 把预算花在对话流程上、内容先往后放，这个取舍可以理解，流程是 full-duplex 的地基，地基立不住，内容堆上去也摆不稳。对硬实力的认可同样存在：「能在本地复现那种延迟和表现力，是很了不起的成就」。紧跟着的质疑对准了包装——用一个 400 万美元的机架训出来的模型，挂上「indie AI」的标签并不合适；省钱要看参照系，放在大模型行业里是零头，放在独立开发者的语境里仍然是一整套机架的预算。
外部研究者第一次来测风险
Block 给一小批 AI 安全研究者提供了提前访问，主动征集「我们没预料到的风险」。征集理由写在官方原话里：「AI 越来越强、越来越独立，却对你声音里的痛苦近乎全聋。」这句话同时也是对整个语音 AI 行业的判断：文本模型读得到你打的字，读不到你声音里的迟疑和发颤，而语音正是人和人之间传递情绪的主通道。
风险和能力来自同一个源头。一个模型能听出你声音发颤、听出你在强撑，同样的信号通路也能反过来用于操纵——什么时候该安抚、什么时候该推销，声音里的情绪都是入口。full-duplex 让模型多出一个实时通道：能在你没说完时打断你、能顺着你的情绪走，风险面和回合制助手不同构。
Block 把外部研究者放进发布流程，等于承认这类模型的能力边界需要外部视角来量。由外部研究者上手测风险的语音模型实验，此前没有先例。先摸清边界再谈产品化，这个顺序被写进了这次发布本身。
这笔账要两边一起算
Dessa 交出来的证据是双向的。声音这一侧，文本管线常年丢弃的东西——语气、讽刺、打断时机——被保了下来，模型因此学会了什么时候插话、什么时候笑，这些能力在「转文字再转回来」的架构里没有位置。知识这一侧，只用耳朵学语言的模型，广度和密度跟读文本的模型差着一截，HN 那句「背后明显没什么智力」点中的就是这一层。
两个结论同时成立。一台 GB200 NVL72 加上几百倍的词数差距，把「从声音里学语言」从设想变成了跑在 MacBook 上的实物；「目前还不够聪明」的评语同样成立。这场实验的产出清单上有两项：full-duplex 对话流程可以只用一台机架训出来；知识的重量，眼下仍然要靠文本去搬。
Dessa 在知识面上赢不了任何读文本的模型，这次发布的价值也不靠它赢。它把「只从声音学语言」的天花板和地板同时放到了台面上：天花板是对话流程的自然度，地板是知识密度。会接话、会笑的耳朵，和装不下多少学问的记忆，出现在同一个模型里——声音能长出对话，长不出学问。 这条边界从 10 月 23 日起第一次有了实测数据，画线的是一台机架和几百倍的词数差距。
参考链接：
- Block Dessa 官方发布页
- Hacker News 社区讨论帖
