人間そっくりの音声AIモデルを早期公開することのリスクについて、笑いや割り込みを交えながらDessa AIが議論します。
Dessa AI · Block ディープラーニング研究ラボ · 純粋音声基盤モデル
Dessa AI — テキストを使わず人間の音声のみで学習した対話モデル
Dessa AIはBlockが開発したフルデュプレックス(全二重)音声対話基盤モデルです。テキストトークンや事前学習済みテキストLLMを一切使わず、人間の生の会話音声のみからゼロから学習することで、テキストLLMの数百分の1の語数から言語・間合い・笑い・割り込み・感情豊かなプロソディを直接獲得しました。

Block Team Dessa · 1× NVIDIA GB200 NVL72 training · Local MacBook Pro M4 Max inference.
Dessa AI インタラクティブラボを探索
Dessa AI vs GPT Live (GPT-Live-1)
スタジオ回線と騒がしい部屋のスピーカーフォンでDessa AIとGPT-Live-1が直接対話した公式録音を秒単位で分析。
Dessa AI 音声サンプル&波形アーカイブ
コーヒーメーカーの通知音への反応から即興の鼻歌、ゲーム談義までBlock公開の全21録音を再生。
Dessa AI Twitter / X ウォール
Jack Dorsey (@jack) や研究リーダー Ragavan Thurairatnam (@RagavanThurair) の話題の投稿を収録。
テキスト書き起こしやテキストLLMを一切使わず、生の会話音声のみでエンドツーエンド学習。
テキストLLMと比べて数百分の1の単語数から自然な言語運用と対話ダイナミクスを習得。
単一のNVIDIA GB200 NVL72ラックで学習を完了。超巨大データセンター不要の効率を実証。
Apple M4 Maxチップ以上を搭載したMacBook Pro上でリアルタイム以上の速度でローカル動作。
デュアルチャンネル波形プレイヤー
注目の台本なしライブ対話サンプル
以下のクリップはすべてDessa AIとの未編集・台本なしの対話です。Momentピルをクリックすると、自然な笑いや割り込み、環境音への反応へ直接ジャンプできます。
Dessa AIとOpenAIのGPT-Live-1による台本なしの2分25秒の対話。割り込みへの譲歩(38.8秒)、忍耐強い傾聴(100.8秒)、高速な相槌(128.8秒)を収録。
同期トランスクリプト(英語音声) (78)
会話の途中で背景のコーヒーメーカーが「チン」と鳴り、Dessa AIがその非言語音を聞き取って自然に反応します。
同期トランスクリプト(英語音声) (60)
DCコミックスのスーパーヒーローについて、素早いターンテイキングと自然な笑いで盛り上がる対話。
同期トランスクリプト(英語音声) (60)
記念日のプレゼントを一緒に考える温かい会話。素早い相槌('mm-hmm')と人間らしい間合いが特徴。
同期トランスクリプト(英語音声) (60)
純粋な音声学習がいかに温かみと内省的な間合いを獲得するかを示す、穏やかな人生相談。
同期トランスクリプト(英語音声) (60)
アーキテクチャの革新
「音から直接学ぶ」ことがすべてを変える理由
従来の音声アシスタントはASR(音声認識)とTTS(音声合成)をテキストLLMの前後に接続するため、パラ言語情報の90%が失われます。Dessa AIは生の音波をネイティブ表現として扱います。
ASR → テキストLLM → TTS カスケード
- 間合い・呼吸・ためらい・発話の重なりを平坦なテキストトークンに潰してから推論。
- 固定的な音声区間検出(VAD)に頼るため、不自然な沈黙や発言の衝突が発生。
- 学習と推論に数兆トークンのテキストと巨大なGPUクラスタが必要。
- 笑いや感情は後から付与されたスタイルタグであり、自然な対話から創発しない。
エンドツーエンド・フルデュプレックス純粋音声
- 人間の会話音声のみからゼロから学習(全工程でテキスト0%)。
- 真のフルデュプレックス対話:聞きながらの相槌('mm-hmm')、割り込み時の即座の譲歩、沈黙の察知。
- コーヒーメーカーの「チン」という音など非言語の環境音もそのまま認識して反応。
- 創発的プロソディ:ささやき、ため息、笑い、鼻歌、文の途中での感情トーン切り替え。
プロソディ&ストレステスト
激しい感情変化の中でNVIDIA CUDA並列プログラミングを解説
純粋音声モデルが声の表現を大きく揺さぶりながら専門的な論理性を保てるかを検証するため、Blockの研究チームはDessa AIにNVIDIA CUDAの並列プログラミングを解説させながら、興奮・ささやき・皮肉・劇的な緊迫感へと次々に感情を切り替えさせました。
- スレッドブロック・ワープ・共有メモリの技術的説明を維持したまま声色と感情を自在に変化。
- 意味的知識とパラ言語表現が単一の音響潜在空間に統合されていることを実証。
- テキストプロンプトやTTS感情タグは一切不使用——純粋に音声対話のみで誘導。
計算資源とシリコンフットプリント
1× GB200 NVL72で学習。MacBook Pro M4 Maxでローカル推論。
シングルラックでのフロンティア学習
大規模テキストモデルが数万基のGPUを必要とするのに対し、Dessa AIは単一のNVIDIA GB200 NVL72ラックのみで学習されました。
リアルタイム超えのローカル推論
Apple M4 Max以上のMacBook Pro上でクラウド通信なしにフルデュプレックス音声推論をリアルタイムより高速に実行します。
人間の子どものような言語習得
抑揚・リズム・社会的フィードバックを直接モデル化することで、テキストLLMより桁違いに少ない語数で言語を獲得します。
開発チームとBlockでの歩み
Jack Dorsey直轄のTeam Dessaが開発
Dessa AIは、トロントの機械学習スタートアップDessaの創設メンバーらがBlock, Inc.社内に設立した少数精鋭のディープラーニング研究ラボによって開発されました。Ragavan Thurairatnamが率い、Block共同創業者Jack Dorseyに直接レポートしています。
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
AI安全性研究者へのオープンコール
人間と聞き分けがつかずコンシューマー向けPCでローカル動作する音声モデルは、なりすましや過度な感情移入など新たなリスクを伴うため、Blockは現在モデル重みの一般公開を控え、外部の安全性研究者と連携しています。
安全性研究に関する連絡先: ragavan+dessa@block.xyz
Dessa AIに関するよくある質問(FAQ)
BlockのDessa AIとは何ですか?
Dessa AIはBlock, Inc.のディープラーニング研究ラボが開発したフルデュプレックス音声対話基盤モデルです。テキストを一切使わず、人間の会話音声のみからゼロから学習されています。
内部でテキストLLMや音声認識(ASR)を使っていますか?
いいえ。テキスト書き起こし、ASR、テキストLLM、個別TTSボコーダはいずれも使用していません。音声波形を直接入力し、直接音声を出力します。
学習と推論にはどのようなハードウェアが使われましたか?
単一のNVIDIA GB200 NVL72ラックで学習され、推論時はM4 Maxチップ以上を搭載したMacBook Pro上でローカルかつリアルタイム以上の速度で動作します。
公式の音声サンプルはどこで聴けますか?
本サイト上で全21本の台本なし対話録音を、同期波形・Momentマーカー・全文トランスクリプト付きで今すぐ再生できます。