Dessa AI diskutiert die Risiken einer verfrühten Veröffentlichung täuschend echter Sprach-KI und reagiert natürlich auf Unterbrechungen.
Dessa AI · Block Deep-Learning-Forschungslabor · Reines Audio-Basismodell
Dessa AI – Das nur mit menschlicher Sprache trainierte KI-Modell
Dessa AI ist ein Full-Duplex-Sprachmodell von Block. Komplett von Grund auf ausschließlich mit echten menschlichen Gesprächen trainiert – ohne Text-Tokens und ohne vortrainiertes Text-LLM –, lernt Dessa AI Sprache, Timing, Lachen, Unterbrechungen und emotionale Prosodie direkt aus dem Klang, mit hundertmal weniger Wörtern als Text-LLMs.

Block Team Dessa · 1× NVIDIA GB200 NVL72 training · Local MacBook Pro M4 Max inference.
Interaktive Dessa AI Labs entdecken
Dessa AI vs GPT Live (GPT-Live-1)
Höre Dessa AI im direkten Dialog mit GPT-Live-1 über Studio-Line-In und Raum-Freisprecher mit Zeitstempel-Analyse.
Dessa AI Hörproben & Wellenformen
Durchsuche alle 21 offiziellen Zweikanal-Aufnahmen von Block – vom Kaffeemaschinen-Klingeln bis zu spontanem Gesang.
Dessa AI auf Twitter / X
Lies virale Threads von Jack Dorsey (@jack), Projektleiter Ragavan Thurairatnam (@RagavanThurair) und KI-Forschern.
End-to-End mit rohem Gesprächsaudio trainiert – ohne Transkripte oder Text-LLM-Basis.
Erlernt flüssige Sprache mit hundertmal weniger Wörtern als klassische Text-LLMs.
Trainiert auf einem einzigen NVIDIA GB200 NVL72 Rack statt riesigen Rechenzentren.
Läuft lokal schneller als Echtzeit auf einem Apple MacBook Pro mit M4 Max Chip oder besser.
Interaktiver Zweikanal-Player
Ausgewählte ungesteuerte Live-Gespräche
Jeder Clip ist ein ungeschnittenes Live-Gespräch mit Dessa AI. Klicke auf die Moment-Marker, um direkt zu spontanem Lachen, Unterbrechungen oder akustischen Signalen zu springen.
Ungesteuerter 2m25s-Mitschnitt von Dessa AI im direkten Gespräch mit OpenAIs GPT-Live-1 – zeigt Unterbrechung (38.8s), Geduld (100.8s) und schnelles Backchanneling (128.8s).
Synchronisiertes Transkript (78)
Mitten im Gespräch klingelt im Hintergrund eine echte Kaffeemaschine – und Dessa AI hört das Geräusch und reagiert sofort darauf.
Synchronisiertes Transkript (60)
Schneller Schlagabtausch über DC-Superhelden mit dynamischem Sprecherwechsel und gemeinsamem Lachen.
Synchronisiertes Transkript (60)
Warmherziges Brainstorming für ein Jubiläumsgeschenk mit schnellem Backchanneling ('mm-hmm').
Synchronisiertes Transkript (60)
Sanfte, nuancierte Prosodie, die zeigt, wie reines Audiotraining emotionale Wärme einfängt.
Synchronisiertes Transkript (60)
Architektonischer Durchbruch
Warum direktes Lernen aus Klang alles verändert
Klassische Sprachassistenten schalten Spracherkennung (ASR) und Sprachsynthese (TTS) vor und hinter ein Text-LLM – und verlieren dabei 90 % der paralinguistischen Signale. Dessa AI verarbeitet Schallwellen nativ.
ASR → Text-LLM → TTS Kaskade
- Reduziert Timing, Atmung, Zögern und gleichzeitiges Sprechen auf flache Text-Tokens.
- Nutzt starre Pausenerkennung (VAD), was zu unnatürlichen Pausen oder Wortkollisionen führt.
- Benötigt Billionen Text-Tokens und riesige GPU-Cluster.
- Lachen und Emotionen sind nachträgliche Stil-Tags statt echter Gesprächsdynamik.
End-to-End Full-Duplex Audio-Nativ
- Von Grund auf ausschließlich mit menschlichen Gesprächen trainiert (0 % Text).
- Echtes Full-Duplex-Hören und -Sprechen: gibt Backchannel-Signale ('mm-hmm'), lässt sich unterbrechen und spürt Pausen.
- Nimmt nicht-sprachliche Umweltgeräusche wie das Klingeln einer Kaffeemaschine nativ wahr.
- Emergente Prosodie: flüstert, seufzt, lacht, singt und wechselt mitten im Satz den Tonfall.
Prosodie- & Stresstest
Erklärung von NVIDIA CUDA unter extremen Emotionswechseln
Um zu belegen, dass ein reines Audiomodell fachliche Präzision mit extremer stimmlicher Ausdruckskraft verbindet, ließen die Forscher Dessa AI parallele GPU-Programmierung mit CUDA erklären – während es nahtlos zwischen Begeisterung, Flüstern, Sarkasmus und Theatralik wechselt.
- Bewahrt fachliche Korrektheit zu Thread-Blöcken, Warps und Shared Memory trotz rascher Stimmwechsel.
- Beweist, dass semantisches Wissen und paralinguistischer Ausdruck im selben akustischen Latenzraum liegen.
- Keinerlei Text-Prompts oder TTS-Emotions-Tags – rein über gesprochene Interaktion gesteuert.
Rechenleistung & Hardware-Profil
Trainiert auf 1× GB200 NVL72. Läuft lokal auf dem MacBook Pro M4 Max.
Single-Rack-Training
Während große Textmodelle zehntausende GPUs benötigen, wurde Dessa AI auf einem einzigen NVIDIA GB200 NVL72 System trainiert.
Lokale Echtzeit-Inferenz
Läuft lokal schneller als Echtzeit auf einem Laptop mit Apple M4 Max Chip oder besser – ohne Cloud-Latenz.
Kindähnlicher Spracherwerb
Durch direktes Modellieren von Melodie, Rhythmus und sozialem Feedback lernt Dessa AI Sprache extrem datensparsam.
Team & Ursprung bei Block
Entwickelt von Team Dessa, direkt an Jack Dorsey berichtend
Dessa AI entstand in einem kleinen Deep-Learning-Labor bei Block, Inc., gegründet von ehemaligen Mitgliedern des Startups Dessa aus Toronto. Geleitet wird das Team von Ragavan Thurairatnam, mit direkter Berichtslinie an Jack Dorsey.
Ragavan Thurairatnam (@RagavanThurair)
Jack Dorsey (@jack)
Louay Hazami · Hashiam Kadhim · Qi (Alex) Liu · Rayhane Mama · Aydin Polat · Marc Tyndel
Cara Ji · Jibran Iqbal Shah · Dvir Zagury-Grynbaum
Aryan Sharma · Olivia Yan
Aufruf an KI-Sicherheitsforscher
Da ein lokal ausführbares, menschlich klingendes Sprachmodell neue Sicherheits- und Täuschungsrisiken birgt, hält Block die Modellgewichte vorerst zurück und arbeitet eng mit Sicherheitsforschern zusammen.
Kontakt für Sicherheitsforschung: ragavan+dessa@block.xyz
Häufige Fragen (FAQ) zu Dessa AI
Was ist Dessa AI von Block?
Dessa AI ist ein experimentelles Full-Duplex-Sprachmodell von Block, Inc., das komplett ohne Textdaten nur mit echten menschlichen Gesprächen trainiert wurde.
Nutzt Dessa AI im Hintergrund ein Text-LLM oder Spracherkennung?
Nein. Dessa AI verwendet weder Text-Transkripte noch ASR oder ein Text-LLM. Es verarbeitet und erzeugt Audiosignale direkt.
Welche Hardware wurde für Training und Ausführung genutzt?
Trainiert wurde auf einem einzelnen NVIDIA GB200 NVL72 System; die Inferenz läuft schneller als Echtzeit lokal auf einem MacBook Pro mit M4 Max Chip.
Wo kann ich alle Dessa AI Hörproben anhören?
Alle 21 ungesteuerten Originalaufnahmen samt synchronisierten Wellenformen und Transkripten sind direkt auf dieser Seite verfügbar.