Dessa 发布解读：录音证明了它像人，证明不了它为什么像人

引言：文字接不住的那部分

你对语音助手说"我今天真的很累"。

它收到的是五个字。语速慢下来的那半秒、尾音往下掉的那一点、中间那次没忍住的叹气，全都在这句话变成文字的时候被丢掉了。所以它回你一句"辛苦了，有什么可以帮您"，语气轻快，因为它确实不知道你在难受。

Block 在 2026 年 10 月 23 日发布的 Dessa，就是把中间这一层删掉的尝试。语音直进直出，全双工，训练数据里没有一个字，也没有用任何预训练模型打底。

官方页面的原话是：「据我们所知，Dessa 是世界上第一个只从人类语音里学会真实实时对话的 AI。」

这句话里最值得注意的不是"第一个"，是**"据我们所知"**。一个团队在发布当天就告诉你"我们知道的不多"，这件事本身就是信息。

我把这个产品能查的东西查了一遍：发布页源码、三家媒体的原始报道、两篇同赛道论文、GitHub 与 Hugging Face 的接口查询，以及 Hacker News 那 192 条评论。结论不太好写，因为它既不是"重大突破"，也不是"营销泡沫"，而是介于两者之间的一种东西：

它把一个真问题问对了，同时把答案留在了自己手里。

这篇要回答三个问题：

1. 删掉文本，到底换来了什么，代价是什么？
2. 现有证据能支撑到哪一步？
3. 现在能做什么？

---

一、产品定位：三件同名的事，和一个占位按钮

1.1 它不是产品

官方给它的定性是 research preview（研究预览）。这个定性不是客套，可以从页面结构上看出来。

整页只有一个"加入等待名单"按钮和一个"Download"按钮，之后就是六段录音、一段技术说明、团队名单、研究者申请表单。没有登录、没有控制台、没有额度、没有可以操作的东西。

整页的对外链接一共 4 个，全部指向自有资产：Block 企业站首页、这个页面自己、申请者隐私声明、项目负责人的 X 账号。没有一个指向论文、代码仓库、模型卡、数据集或定价页。

再补一个细节：Block 的企业官网首页（block.xyz）全文出现"dessa"这个词 0 次，也没有指向这个页面的链接。这次发布没有走官网的常规曝光位。

1.2 那个 Download 按钮

页面右上角有一个 Download 按钮，带下载图标，看起来能点。

它的源码是这样的：

<button class="launch-link" data-placeholder="Download" aria-describedby="launch-note">
  <span>Download</span> …
</button>
…
<p id="launch-note" class="sr-only">Launch links are coming soon.</p>

它是一个 <button> 而不是链接，没有 href，没有文件。data-placeholder="Download" 直接标明这是占位，附带的无障碍提示写着"启动链接即将推出"。整页也找不到任何安装包的下载地址。

这是我在看这个发布页时最在意的一处细节。 大多数公司会把这种按钮做成一个假页面，点进去说"即将上线"；Block 干脆把它标成了占位符，让它在视觉上像按钮、在语义上是空的。

一个团队愿意在发布页上留一个明显的空按钮，说明他们知道自己还没准备好。这和后面缺参数量、缺论文，是同一件事的两面。

1.3 三件同名的事，必须分开

搜"Dessa"会撞上三个不同的东西，混起来会得出完全错误的结论。

第一件：这个语音模型。 Block 2026 年 10 月发布，全双工，无文本训练。

第二件：一家 2020 年被收购的公司。 Dessa 原本是多伦多的一家深度学习公司，2016 年由 Eric Kin Ho Lee、Ragavan Thurairatnam、Stephen Piron、Vincent Wong 创办，2017 年融资 900 万美元，2020 年 2 月被 Square（Block 前身）收购，金额未披露。它以深度伪造检测闻名，也是 2019 年那段"以假乱真的 Joe Rogan 合成语音"的作者方。

现在这个模型由 Block 内部"former members of Dessa"组成的小组开发，组长 Ragavan Thurairatnam 就是原公司的联合创始人。模型的名字是给六年前那家公司留的纪念。

第三件：一个叫 getdessa.com 的网站。 这个必须单独说，因为它最容易被误认为官方入口。

那个站点的页脚写着：

FIELDNOTES / Dessa — Independent information & tools by Jianming Duan.

它是个人独立站，提供"Mac 检查器""Mac 启动器"原型，并收集邮箱和"未来语音工具的月度预算"意向（免费 / $5 / $10 / $20 / $30+）。站长自己声明："本站不发放邀请"，"订阅不会让你进入 Block 的等待名单"。

它的信息可以读——它在 10 月 24 日独立观察到"等待名单按钮无响应"，这个观察和我在源码里看到的一致。但它的工具不要装：一个没有模型权重的人，做不出"运行 Dessa 的启动器"。

判断规则很简单：不在 block.xyz 域名下的下载入口，都不是官方。官方页面目前唯一的对外动作是"申请"，不是"下载"。

1.4 它是什么，不是什么

是：语音到语音的对话模型，音频进、音频出，中间没有文本；全双工，说话时在听，可被打断，会在你说话中间插一句"嗯""懂了"；能本机跑，官方说 MacBook Pro M4 Max 或更高，推理快于实时。

不是：不是助手（没有工具调用、没有联网检索、没有文件读写）；不是 TTS（不能指定音色念稿，它有自己的声音和性格）；不是 API 产品；不是开源模型。

门槛与许可：等待名单要求填机构邮箱（大学、公司或实验室），可选填 Google Scholar 或博客链接。这个设计说明它筛的不是"感兴趣的人"，是"能写评估报告的人"。许可条款、商用条件、价格，官方页面一个字都没有。

---

二、核心能力拆解：四件事，只有一件是新的

官方列了四条。前两条在 2026 年已经不新鲜，后两条要分开看。

能力一：音频直进直出，中间没有文本

传统链路是"识别 → 理解 → 生成 → 合成"，四次转换、四次信息损耗、四段延迟。Dessa 只有一次：波形进，波形出。

它换来的不是"更自然的音色"，是没被翻译掉的那部分信息：重音落在哪个词、句尾有没有上扬、笑是真心还是敷衍、停顿是思考还是不想说了。

官方举的例子很到位：把 "I didn't say she stole my CUDA code" 念出来，每次重读不同的词，意思就变一次。同样九个词，七种意思。文本记不住这个区别，音频记得住。

能力二：全双工，会插话也会接话

轮次式助手像对讲机：你说完，它才开始想。全双工是电话的感觉：它在你说话时已经在反应，你停顿它会"嗯"一声，你抢话它会停。

这条在 2026 年已经不独家。 Kyutai 在 2024 年 9 月的 Moshi 论文里就做出了全双工对话框架，OpenAI 的 GPT-Live 在今年早些时候也做了。所以"能同时听和说"是这一类模型的入场券，不是 Dessa 的差异点。

Dessa 在这条上多做了一点：官方说它"从真实对话里自己学会了什么时候插话、什么时候只回一个 yeah 或 got it"。是学来的，不是工程师写的规则。

能力三：情绪在信号里，不在标签里

这条是官方最想强调的，也是最难验证的。

现在的做法大致是：文本里写 [叹气]、[带着哭腔]，TTS 按标记演出。ElevenLabs v4、Fish Audio Drama 3 都是这个路子，而且做得不错——Drama 3 甚至支持配对标签，让情绪能在一句话中间转折。

Dessa 的说法是：情绪不是演出来的，是模型在生成音频时自然带出来的。官方举的例子是"它在该笑的地方、一句话说到一半就笑了，而别的模型会等你说完再笑"。

这条在结构上确实和级联式不相容。 级联式必须等识别模块产出完整句子才能进下一段，所以"句子中间笑"是一个架构级证据，比任何形容词都有说服力。

但 TechCrunch 追问了一句，得到的答案是"不清楚"：这套情绪到底是不是仍由某种隐式标签在调控。 官方说不是标签驱动，但底层有没有别的条件控制，没有披露。

能力四：本机运行，快于实时

官方说推理快于实时，能在 M4 Max 的 MacBook Pro 上跑。这条如果成立，商业含义比技术含义大：语音交互可以不按分钟付费、音频不出设备、断网也能用。

但请注意措辞。官方承诺的是"一台 4000 美元级的笔记本"，不是"一台收银机"。M4 Max 机型的最高统一内存是 128GB，据此可以推：能舒服跑在这台机器上的模型，参数量不会太大。这是推断，不是披露——官方从未给出参数量。

能力与场景对应

能力	它解决的具体问题	谁会因此受益	现在还验证不了的部分
音频直进直出	语气、重音、停顿在转录时丢失	陪伴类产品、口语练习、心理支持类对话	长对话下会不会漂移、会不会忘
全双工	抢话、插话、尴尬的等待	客服、实时翻译、驾驶场景	多人同时说话时表现如何
信号级情绪	用户情绪与回应语气不匹配	投诉处理、情绪安抚、销售	是否真为原生机制，还是隐式标签
本机 + 快于实时	按分钟计费、音频上云、断网不可用	隐私敏感行业、端侧硬件	真实设备上的延迟与并发

---

三、典型应用场景：它能当接口，不能当大脑

3.1 场景地图

按现在的能力边界，Dessa 的位置很清楚：它是"接口"，不是"大脑"。

它擅长"怎么把话说得像人"，不擅长"知道什么"。演示里它能接上电影名字、聊塞尔达、给人生建议——这些都是人类对话里高频出现的内容，训练数据里自然有。但它不可能知道你这个月的库存、你公司的退货政策、昨天发布的论文。

所以场景可以这么分：

• 主场：需要"听着像人"的实时对话，且对知识深度要求不高
• 也能做：作为语音前端，接一个外部大模型补知识
• 做不了：需要准确事实、需要工具调用、需要多语言的业务系统

有一件事很说明问题：官方演示里有一段是 Dessa 与 GPT-Live-1 对话。两个模型互相接话，一个管表达，一个管内容。这段演示本身就是"它需要搭档"的证据。

3.2 场景一：实时陪伴与口语练习

谁在用：做语言学习、陪伴、心理支持类产品的团队。

触发条件：用户需要长时间说话，且"被听懂"比"被回答正确"更重要。

痛点：现有语音助手在用户犹豫、说错、自我纠正时表现得很机械——它要么等你完全停下，要么直接打断。

介入点：全双工让它能在你卡壳时补一句、在你自我纠正时跟着调整，而不是机械等待。官方样本里"想不起电影名时把句子补完"就是这一类。

前置依赖：稳定的低延迟音频通道；一套兜底策略（模型说错话时怎么收场）；内容合规审核。

产出收益：对话轮次之间的空隙被填上之后，用户的"在跟人说话"的感受会明显上升。这是这类产品最核心的留存指标。

边界风险：陪伴类产品最容易踩的坑是"太像人"。一个会哽咽的模型，用户可能真的把它当人。这不是技术问题，是产品伦理问题。

3.3 场景二：客服与点单

谁在用：Block 自己。TechCrunch 报道，旗下 Square 已经在用语音 AI 处理下单业务——但官方没有说这套系统是否已经用上 Dessa。

触发条件：电话量大、话术相对固定、需要识别客户情绪。

痛点：电话客服里最贵的不是回答，是"客户已经很不耐烦了，系统还在念标准话术"。

介入点：情绪信号加可打断，能让系统在客户提高音量时先停下来，而不是把流程走完。

前置依赖：与业务系统打通（Dessa 本身不提供）；话术与合规审查；失败转人工的策略。

产出收益：如果端侧运行成立，单次通话的推理成本会从"按分钟付费"变成"一次性硬件投入"，这对每天几万通电话的业务是数量级的差别。

边界风险：欧盟《人工智能法案》禁止在工作场所和教育场景做情绪识别，同时要求告知对方正在与机器对话。一个以"听得出你的情绪"为卖点的模型，正好撞在这条线上。

3.4 场景三：安全研究与红队测试

谁在用：Block 主动邀请的 AI 安全研究者。

触发条件：你现在就能申请，但需要机构邮箱。

痛点：语音诈骗、冒充亲友、情绪操纵，这类风险在文本时代不明显，在"像人"的语音时代会放大。

介入点：在一个还没商业化的模型上提前找问题，比等它上了生产环境再补要便宜得多。

前置依赖：早期访问资格；一套评估方法（怎么量化"骗过人的概率"）。

产出收益：对研究者是稀缺样本，对 Block 是外部审计。

边界风险：目前只有官方单向邀请，没有公开的评估结果，也没有第三方复现。

3.5 场景成熟度分级

分级	场景	判断依据
仅概念验证	实时陪伴、口语练习	拿不到模型，只能用官方录音推断体验
仅概念验证	客服与点单	Block 有业务场景，但没说明是否已接入 Dessa
需要一点配置	安全红队	有申请通道，但要机构身份，且不公开结果
不建议使用	任何生产系统	无 API、无许可、无 SLA、无价格

3.6 不适用或需谨慎的场景

一、需要准确事实的业务。 它的知识全部来自对话录音。面对"我的订单到哪了""这个药能不能一起吃"这类问题，它没有可靠的检索能力，也没有校准过的拒答机制。这类场景里"听起来很确定"是缺点，不是优点。

二、需要多语言的业务。 官方放出的样本几乎全是英语，其中一段被命名为 "Singing nonsense Spanish"（用西班牙语唱无意义的东西）。这个命名本身说明多语言还没到能拿出来说事的程度。

三、需要留证的合规场景。 传统链路里，中间的文本可以被记录、被审查、被拿去做合规检查。语音直通没有中间层，这意味着可审计性下降。金融、医疗、政务这类场景，这往往是硬门槛而不是软肋。

3.7 场景适配表

场景	适合谁	触发条件	用到的能力	需要什么准备	成熟度	主要风险
口语陪练	教育产品团队	用户长时间开口、需要即时反馈	全双工、情绪信号	教学脚本、纠错策略、内容审核	仅概念验证	过度拟人导致依赖
情绪安抚型客服	呼叫中心、售后	客户情绪波动大、话术弹性高	情绪信号、可打断	业务系统对接、转人工策略	仅概念验证	欧盟情绪识别禁令
端侧语音入口	硬件厂商	隐私敏感、无稳定网络	本机运行、快于实时	目标芯片适配（未公开支持列表）	仅概念验证	官方只承诺 M4 Max
安全红队	AI 安全研究者	需要研究语音欺骗风险	全部	机构邮箱、评估方法	需要一点配置	结果不公开
内容生产	播客、有声剧	需要多角色、可控制的表演	情绪表达	无可用入口	不建议使用	不可指定音色、无 API

---