Dessa AI 在歡笑與自然打斷中探討過早公開高擬真語音 AI 權重的安全風險。
Dessa AI · Block 深度學習實驗室 · 純音訊端到端基礎模型
Dessa AI — 零文字資料、完全靠傾聽人類對話學會說話的全雙工語音模型
Dessa AI 是由 Block 研發的全雙工(Full-Duplex)語音對語音基礎模型。它完全從零開始、僅使用真實人類對話音訊進行訓練——0% 文字 Token、不依賴任何預訓練文字大模型。Dessa AI 直接從聲音中學會語言、對話節奏、笑聲、打斷禮讓與情感韻律,所需詞彙量比文字 LLM 少上百倍。

Block Team Dessa · 1× NVIDIA GB200 NVL72 training · Local MacBook Pro M4 Max inference.
探索 Dessa AI 互動式聲學實驗室
Dessa AI vs GPT Live (GPT-Live-1)
收聽 Dessa AI 與 OpenAI GPT-Live-1 在錄音室直連與嘈雜擴音環境下的真實無腳本對話,含關鍵時間戳拆解。
Dessa AI 音訊樣本與雙軌波形庫
線上播放 Block 發布的全部 21 段雙聲道真實對話:從聽見咖啡機提示音到即興哼唱、遊戲閒聊與情感建議。
Dessa AI 推特牆 (Twitter / X)
彙整 Jack Dorsey (@jack)、專案負責人 Ragavan Thurairatnam (@RagavanThurair) 與語音 AI 學者的熱門推文。
端到端基於原始人類對話音訊從頭訓練,不使用任何文字轉錄或文字 LLM 基座。
像人類兒童學說話一樣,用比文字大模型少上百倍的詞量掌握流利語言與真實推理。
僅在單台 NVIDIA GB200 NVL72 機櫃上完成訓練,算力開銷遠小於萬卡文字叢集。
在配備 Apple M4 Max 或更強晶片的 MacBook Pro 上即可本地超即時執行。
雙聲道互動式波形播放器
精選無腳本真實對話錄音
以下每一段音訊均為未經剪輯的 Dessa AI 真實即時對話。點擊任意 Moment 時間戳膠囊,即可直接跳轉到即興大笑、自然打斷、環境音感知或快速附和瞬間。
Dessa AI 與 OpenAI GPT-Live-1 直接對話的 2分25秒 無腳本錄音——重點展示打斷禮讓(38.8s)、耐心傾聽(100.8s)與快速附和(128.8s)。
同步時間軸逐字稿(原聲英語) (78)
對話進行到一半,背景裡的真實咖啡機發出「叮」的一聲——Dessa AI 聽到了這一非語音環境音並立即自然回應。
同步時間軸逐字稿(原聲英語) (60)
圍繞 DC 超級英雄的快節奏交鋒,展示毫秒級話輪轉換與極具感染力的笑聲。
同步時間軸逐字稿(原聲英語) (60)
溫馨的週年紀念日禮物腦力激盪,包含自然的高頻附和('mm-hmm')與真實呼吸感。
同步時間軸逐字稿(原聲英語) (60)
溫柔細膩的深夜人生建議,展示純音訊端到端訓練如何捕捉人類共情與思考停頓。
同步時間軸逐字稿(原聲英語) (60)
底層架構範式轉移
為什麼「直接從聲音學習」會改變語音 AI 的一切
傳統語音助理在文字 LLM 前後拼接語音辨識(ASR)與語音合成(TTS),丟失了 90% 的副語言聲學資訊。Dessa AI 將原始聲波作為原生表徵。
ASR → 文字 LLM → TTS 流水線
- 在推理前將呼吸、停頓、猶豫和重疊搶話壓縮成扁平的文字 Token。
- 依賴僵硬的語音活動檢測(VAD)判定話輪,容易產生機械延遲或生硬搶話。
- 需要數兆文字 Token 與超大規模資料中心叢集進行訓練與推理。
- 笑聲與情緒只是後期合成標籤,無法從真實對話互動中自然湧現。
端到端全雙工原生音訊模型
- 完全從零開始僅用人類對話音訊訓練(預訓練全程 0% 文字)。
- 真正的全雙工邊聽邊說:支援毫秒級附和('mm-hmm')、被打斷時立即禮讓、感知尷尬沉默。
- 原生聽懂非語音環境聲,例如對話中背景咖啡機發出的「叮」聲。
- 湧現式情感韻律控制:耳語、嘆氣、大笑、即興歌唱,並能在半句話內切換情緒。
極限韻律與壓力測試
在極端情緒切換中硬核講解 NVIDIA CUDA 平行程式設計
為了證明純音訊模型在大幅調節嗓音表現力的同時仍能保持嚴密的技術邏輯,Block 研究人員讓 Dessa AI 在極度興奮、耳語、諷刺與戲劇化緊迫感之間快速切換,同時深入講解 NVIDIA CUDA 平行運算架構。
- 在不斷變換音色與情緒張力的同時,準確講解 GPU 執行緒區塊(Thread Blocks)、Warps 與共享記憶體。
- 證明語義知識與副語言聲學表現力共同編碼在同一個統一聲學潛空間中。
- 零文字提示詞、零 TTS 情緒標籤——完全透過即時語音對話自然引導。
算力與端側晶片足跡
單台 GB200 NVL72 完成訓練,MacBook Pro M4 Max 本地超即時執行
單機櫃前沿模型訓練
當前沿文字與多模態模型動輒消耗數萬張 GPU 時,Dessa AI 僅用單台 NVIDIA GB200 NVL72 機櫃便完成訓練。
本地超即時端側推理
在搭載 Apple M4 Max 或更強晶片的筆記型電腦上即可本地以快於即時的速度執行全雙工語音推理,無需雲端往返。
如人類幼童般的語言習得
透過直接建模聲調韻律、節奏與社交回饋,Dessa AI 僅需文字模型百分之一的詞量即可習得自然語言。
研發團隊與 Block 淵源
由 Team Dessa 打造,直接向 Jack Dorsey 匯報
Dessa AI 誕生於 Block, Inc. 內部的一個精銳深度學習研究實驗室,該實驗室由多倫多機器學習新創公司 Dessa(後被 Square/Block 收購)的原班核心成員創立。團隊由 Ragavan Thurairatnam 領銜,直接向 Block 聯合創辦人 Jack Dorsey 匯報。
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
面向全球 AI 安全研究員的開放合作邀請
由於一個聲音與真人無異且能在消費級筆電上本地執行的模型會帶來新型聲紋冒充與情感依賴風險,Block 目前暫未公開模型權重,正積極邀請外部 AI 安全研究人員共同開展安全評估。
安全研究合作聯絡信箱: ragavan+dessa@block.xyz
關於 Dessa AI 的常見問題 (FAQ)
Block 發布的 Dessa AI 是什麼?
Dessa AI 是 Block, Inc. 深度學習研究實驗室開發的全雙工語音對語音基礎模型。它不依賴任何文字或預訓練語言模型,完全從零開始僅用真實人類對話音訊訓練而成。
Dessa AI 底層使用了文字大模型或語音轉文字(ASR)嗎?
完全沒有。Dessa AI 不使用文字轉錄、ASR 語音辨識、文字 LLM 基座或獨立 TTS 聲碼器,而是直接輸入聲波並直接生成語音聲波。
訓練 Dessa AI 用了多少算力?它可以在本地執行嗎?
它在單台 NVIDIA GB200 NVL72 系統上完成訓練,推理時可在配備 Apple M4 Max 或更強晶片的 MacBook Pro 上本地以超即時速度執行。
在哪裡可以試聽 Dessa AI 的全部真實錄音?
你可以在本站直接線上播放官方發布的全部 21 段無腳本對話錄音,並查看雙聲道同步波形、關鍵時刻標記與完整時間軸字幕。