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 researchers testing live full-duplex speech conversations

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

テキスト 0%
学習モダリティ

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。

100分の1以下
学習語数効率

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。

1× GB200 NVL72
学習コンピュート

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。

M4 Max ローカル
オンデバイス推論

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。

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。

従来のテキスト経由パイプライン

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。
Block Dessa AI アーキテクチャ

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。

1× NVIDIA GB200 NVL72

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。

MacBook Pro (M4 Max+)

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。

100× 少ない単語数

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。

プロジェクトリード

Ragavan Thurairatnam (@RagavanThurair)

エグゼクティブスポンサー

Jack Dorsey (@jack)

コアリサーチャー

Louay Hazami · Hashiam Kadhim · Qi (Alex) Liu · Rayhane Mama · Aydin Polat · Marc Tyndel

リサーチインターン

Cara Ji · Jibran Iqbal Shah · Dvir Zagury-Grynbaum

元インターン

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

block.xyz/dessa ↗

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。