网硕互联帮助中心10 月 23 日，Jack Dorsey 旗下的 Block（Square 母公司）发布全双工语音模型 Dessa。官方口径很大：“史上最真实的全双工语音模型”、“全球第一个完全只用人类语音训练、零文本数据的 AI 模型”。样例里它能笑、能停顿、能哽咽，还能在对话中主动切换音色和语速——TechCrunch 的评价是"eerily human"（像人像得瘆人）。
但发布三天，你能验证的东西是：零。没有参数规模，没有基准分数，没有公开试用，连 demo 都是官方剪辑好的录音。这不是评分表齐全的模型发布，这是一支加了字幕的宣传片。
有意思的是，这可能是今年语音赛道最值得盯的发布之一。
懒人版：30 秒看完
| 架构 | 全双工 speech-to-speech，边说边听，全程零文本 token | 官方宣称，无技术报告 |
| 训练数据 | 仅人类对话录音，无文本、无预训练模型底座 | 官方宣称，无法独立验证 |
| 情绪表达 | 宣称"原生内置"，非语音标签调控 | 官方宣称，底层机制未公开 |
| 基准分数 | 没有发布任何跑分 | — |
| 参数/算力 | 参数未公开；宣称仅用"一组英伟达 GPU 机架"训完 | 官方宣称 |
| 端侧运行 | M4 Max 及以上 MacBook 可本地跑 | 官方宣称 |
| 公开程度 | 不开放试用，仅向安全研究者发邀请 + waitlist | 官方确认 |
| 独立验证 | 零。所有体验证据均来自官方样例 | — |
一、Dessa 到底是什么：把"文本中间层"整个删掉
Block 对现有语音 AI 的批评写在博客里，翻译成技术语言就是：主流链路是"语音→ASR 转文本→LLM 推理→TTS 合成"，情绪、停顿、笑声这些文本承载不了的信息在第一步就丢了。ElevenLabs v4、Fish Audio Drama 3 这类产品靠打语音标签来补情绪，本质还是文本驱动的贴膜。
Dessa 的宣称激进得多：speech-to-speech 端到端，全程不落文本。它像人一样靠"听"学会说话，知道什么时候插话、什么时候沉默，连自己的音色和"人设"都是模型自己选的。知识也来自训练对话语料本身——这意味着它没有挂 LLM 知识库，是一个纯会话模型。
全双工不是 Dessa 首创。OpenAI 今年 7 月 8 日发布的 GPT-Live 就是全双工架构，9 月开放 API。但两者的打法差异很有意思：
| 架构 | 全双工，纯语音端到端 | 全双工，可委派 GPT-5.5 处理知识任务 | 双方官方 |
| 知识来源 | 仅训练对话语料 | 挂接 GPT-5.5 智能底座 | 双方官方 |
| 情绪 | 宣称原生内置 | 支持（演示含笑声/停顿） | 双方官方 |
| 部署 | MacBook 本地（M4 Max+） | 云端 API，$0.05/分钟 | 双方官方 |
| 跑分 | 无 | Full Duplex Bench 86.2（vs Realtime-2.1 的 45.7） | OpenAI 自报 |
| 可用性 | 仅安全研究者内测 | 已商用 | 双方官方 |
一句话：OpenAI 用大模型兜知识、卖 API；Block 删掉大脑换来端侧部署权。一个往"更聪明"卷，一个往"更像人+更便宜"卷。
二、三零发布：为什么说"没有数据"本身就是数据
按我们拆模型的惯例，分数表先看口径。Dessa 的分数表是空的，于是每个官方宣称都只能标"自报、不可验证"：
这里有个熟悉的结构：Block 把所有可验证性推迟到了"安全研究者内测"阶段，和模型发布只放样例不放权重的操作同构——先传播体验，后兑现证据。
三、但是，金融公司做语音模型这件事，逻辑比模型硬
别被"支付公司跨界"的叙事带偏。Block 的算盘在通稿最后一段：Square 已经在用语音 AI 处理商户下单，自研端侧模型意味着——
| 单次会话成本 | $0.05/分钟起，随量线性增长 | 边际成本趋近于零（用户自己的设备） |
| 部署门槛 | 需联网+云资源 | M4 Max 起步的消费级硬件 |
| 数据合规 | 语音数据出境 | 本地闭环，金融场景天然友好 |
| 适用规模 | 全量用户 | 高端设备用户先行 |
一家服务小微商户的金融公司，语音客服/下单是千万级日频场景。按 $0.05/分钟算，每天百万分钟就是 5 万美元——端侧化省下的不是零花钱，是一整条成本线。Dessa 与其说是技术发布，不如说是把语音 AI 的边际成本打进商户硬件里的前置布局。Dorsey 一贯的本地化/反云端立场（Bitcoin 派系审美）在这里和商业账本完美对齐。
M4 Max 的门槛同时暴露了短板：这 still 是个 2026 款顶配 Mac 才跑得动的东西，离"商户收银台的安卓机"还很远。
四、安全研究者先行的真实含义
Block 明确说现阶段重点测试"语音智能体欺骗人类的风险场景"。这个排序值得琢磨：一个能哽咽、能表达疲惫、能切换人格音色的模型，恰好是电话诈骗武器的完美形态——它不像人，它比人更像人。官方样例里"AI 说自己工作很累还带着疲惫感"，放在客服场景是拟人化卖点，放在电信场景就是深度伪造。
所以"不公开试用、先给红队"不全是营销节奏，也可能真是这类模型该有的发布顺序——参考今年 9 月 Anthropic 分级放行、OpenAI 带闸发布的行业共识，语音模态的"危险能力商业化"刚刚轮到开闸。但区别在于：OpenAI/Anthropic 至少发布了能力评估框架，Block 连评估体系都没给。
所以呢
三句话：
数据来源与口径声明（按可信度分层）：
① 官方口径（block.xyz 博客 / 官方通稿）：全双工 speech-to-speech、零文本训练、情绪原生内置、M4 Max 本地运行、安全研究者内测、waitlist——全部为 Block 自报，无技术报告、无参数、无基准支撑。
② 官方口径（对比模型，OpenAI）：GPT-Live 7/8 发布（openai.com）；GPT-Live-1 API 9/10 开放，Full Duplex Bench 86.2 vs Realtime-2.1 45.7 vs Realtime-2 42.4，$0.05/分钟（OpenAI 自报，The Register 转引）。
③ 独立媒体转述：TechCrunch（“eerily human”、无公开访问、红队邀约）、the-decoder、unite.ai、mashable——均为官方信息转述+体验描述，无独立测试。
④ 社区（HN/Reddit/X）：样例精选质疑、隐藏文本表征怀疑——均为猜测，仅作线索。
⑤ 信源链：IT之家（用户提供原文）→ 追溯至 block.xyz 官方博客；发布时间 10/23（IT之家稿为 10/25，官方博客页面时间约 10/21-23，以官方为准）。
口径警告：Dessa 无任何可验证性能数据，本文所有能力描述均为官方宣称；GPT-Live-1 跑分为 OpenAI 自建基准自报；“最真实语音模型”"全球第一个纯语音训练模型"均为厂商自称，未经独立验证。
评论前必须登录！
注册