Block仅凭人类音频在单个Nvidia机架内构建Dessa语音AI

Jack Dorsey旗下的Block仅使用人类语音训练了其新语音模型Dessa，未使用任何文本或预训练模型。

Block 表示，该模型完成后可在 MacBook Pro M4 Max 或更高配置的电脑上本地运行。该实验室在一台 Nvidia 服务器机架上进行训练。

Block 称 Dessa 是其所知首个能够进行逼真实时对话的 AI，且仅基于人类语音进行训练。其背后的小型研究实验室直接向 Dorsey 汇报。

全双工模型在与 OpenAI 的 GPT-Live-1 进行的无引导演示中进行对话

许多语音助手会将人们说的话转化为文本，通过语言模型处理，再将文本转回语音。正如Block所言，这种流程会丢弃情感、讽刺、笑声以及声音颤抖时的悲伤感。

Dessa 是一个将语音直接转换为语音的模型，中间不经过文本。就像两个人一样，它同时说话和倾听。

Block 表示，它知道何时插话，何时用“嗯！”或“明白了！”来回应。它的运行速度比实时还要快。

Block 表示，录音中无人对 AI 模型进行引导。它自主决定说什么、何时说以及如何说。

在录音中，Dessa 会在句子中途大笑，对意外感到惊讶时会倒吸一口气，当被要求大声说话时声音会变大。在其中一段录音中，Dessa 与 OpenAI 的 GPT-Live-1 进行了对话。

Block 表示，GPT-Live-1 的开发人员并未审核或认可 Dessa。

我们打造了首款完全基于语音训练的、可进行真实对话的 AI 模型！

Dessa 是一款全双工语音到语音模型，您可以在消费级 GPU 上运行它。

这是语音领域的GPT-3时刻。 pic.twitter.com/XVD8sSyJn8

— Ragavan Thurairatnam (@RagavanThurair) 2026年10月23日

GB200 NVL72 让模型从少得多的词汇量中学习语言

Dessa 在单台 Nvidia GB200 NVL72（机架级系统）上进行训练。该实验室表示，其模型学习语言所需的“词汇量”比基于文本的大语言模型少了数百倍。

Block 表示，语音使任务变得更加复杂。一个口语单词的字节数是同一书面单词的数千倍。

该实验室由前多伦多深度学习初创公司 Dessa 的成员创立。团队已在生成式语音模型领域深耕超过八年。

Ragavan Thurairatnam 负责该项目，他在 X 上称此次发布是“语音领域的 GPT-3 时刻”。

Dessa 目前未公开。Block 正在运行等待名单，并向一小部分 AI 安全研究人员提供早期访问权限，以揭示团队尚未预见到的风险。

促使 Block 构建该模型的有三个原因。其中两个是好奇心以及增进人类与 AI 之间的理解。

第三个原因是？安全。

Block 设想了一个场景：一个人正遭受剧烈疼痛，但语音 AI 并未察觉，仍在继续说话。

Cryptopolitan报道，今年二月，Block（纽约证券交易所代码：XYZ）裁掉了40%的员工。

Block Inc. 于七月推出了Buzz。这是一款面向职场的聊天应用，人类和AI代理可以在其中共享频道。

不要只是阅读加密货币新闻，要真正理解它。订阅我们的通讯。 免费。