10月26日消息，Twiiter创始人杰克·多尔西（Jack Dorsey）‌旗下 Block 公司内部 AI 研究实验室推出全新语音对话模型Dessa，号称全球首款完全依靠人类口语对话音频从零训练、不使用任何文本数据、不依赖预训练模型的实时对话 AI，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，可本地运行，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” 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，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 硬件完成训练。

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。