10月26日消息，Twitter创始人杰克·多尔西（Jack Dorsey）旗下的Block公司内部AI研究实验室发布了一款全新的语音对话模型Dessa。该模型号称是全球首款完全基于人类口语对话音频、从零开始训练的实时对话AI，训练过程不使用任何文本数据，也不依赖预训练模型。它能够实现音频输入直接输出音频，跳过传统“语音识别—文本大模型—语音合成”的链路，并支持本地运行，带来高度拟人化的全双工语音交互体验。
当前主流语音AI普遍采用“语音转文字→大模型处理→文字转语音”的流水线。这一过程会丢失语气、停顿、笑声、叹息、情绪重音等大量语音原生信息，导致交互生硬，AI也无法感知说话人声音里的情绪变化，甚至存在安全隐患。Dessa的设计目标就是还原人类真实对话的交流质感。
核心技术特性。
1. 纯音频从零训练，无文本参与。
Dessa完全基于人类对话录音训练，不输入任何书面文本，模仿婴儿听人说话习得语言的模式。它不仅学习语言内容，同时掌握口音、呼吸、停顿、反讽、幽默感、语调情绪、对话插话时机。团队表示，它学习语言所需的信息量远小于传统文本大模型；整套训练仅使用单台英伟达GB200 NVL72硬件完成。
2. 原生全双工语音‑to‑语音架构。
音频进、音频出，支持一边收听一边说话，和真人聊天一样：可以中途插话、发出附和语气词（“嗯”“明白”）、句中发笑；接到指令能够主动提高音量；推理速度快于实时，消除对话尴尬等待。可本地部署运行，最低硬件要求为MacBook Pro M4 Max及以上设备。
3. 原生感知表达丰富情绪细节。
原生识别并输出笑声、倒吸气、沮丧叹息、悲伤的声线变化、讽刺语气。官方放出多段无人工干预的真人实时对话录音Demo：包括聊趣事时中途发笑、听到惊喜消息小声惊呼、提供人生建议时流露共情、与人对话GPT‑Live‑1进行跨AI对话等场景，字幕为事后额外添加，模型输出本身只有音频。
研发初衷。
团队提出三大研发动机：复刻人类不靠文字习得语言的路径；打造更自然的人机语音交互；提升AI安全能力。
现有语音AI对人声情绪近乎“失聪”，如果人类处于痛苦状态，AI无法感知情绪信号，依旧机械应答。Dessa希望解决这一安全短板。
目前该项目尚未公开发布权重、API接口，没有公开标准评测指标，也未发布正式技术论文。仅放出对话录音样例，面向一小部分AI安全研究人员开放早期访问，邀请外部研究者挖掘潜在风险，普通用户仅可登记等待名单，所有效果均来自Block官方演示素材，暂无第三方独立验证结果。
项目背景。
Dessa项目团队隶属于Block内部小型AI实验室，团队成员来自多伦多深度学习初创公司Dessa，拥有十余年深度学习、八年生成语音模型研发经验，直接向Block联合创始人杰克·多尔西汇报。
