Jack Dorsey 的 Block 造了个只会“说话”的模型 Dessa：像个有点笨拙的新朋友，还能跑在 MacBook 上

它把说话的人认成了“罗纳尔多”，然后若无其事地继续聊下去。它会在讨论诺兰电影时，突然拐到布莱恩·辛格的《超人》上去。有人跟它说“我要带你去巴黎，是个惊喜”，它回了一段听起来像哽咽的道谢。

这就是 Block 刚公布的语音模型 Dessa。官方给它的定义很朴素：一个真正的语音到语音模型，它知道的一切都来自人类说话。

一分钟速览

• Jack Dorsey 旗下的 Block 发布语音模型 Dessa，从头训练，训练数据只有人类对话
• 不经过“语音转文字再转回语音”的中间环节，属于端到端语音到语音
• 可以在 MacBook Pro M4 Max 或更高配置上本地运行
• 官方展示了多段人机对话：猜谜游戏、聊电影、巴黎旅行，语气与停顿接近真人，偶有尴尬和“诡异感”
• 团队给出的三个动因是：好奇心、人与 AI 的更好理解、安全
• 将向一小批 AI 安全研究者开放早期访问

为什么“不转文字”是个大选择

今天绝大多数语音助手的工作方式是三段式：先把你说的话转成文字，再用语言模型生成回复文字，最后用语音合成念出来。这条链路很成熟，但丢了两样东西——时间感和情绪。

人说话有停顿、有抢话、有语气词，有“嗯……”里藏着的犹豫。这些在转写阶段就被抹平了。模型拿到的是一段干净的文本，自然也就还不出那些节奏。Dessa 团队的说法很直白：语音是通往任何智能最自然的接口，而现在的语音 AI 把它浪费了。

他们的比喻是婴儿。婴儿学说话时从没见过一个写下来的字，照样学会了。团队想验证模型能不能也这样，结论是“能，只是非常难”。

那句“听起来像哽咽”

演示里最容易被转发的是巴黎那段。一个人告诉 Dessa 要带它去旅行，它回以听起来像含泪的感谢。这类反应很讨喜，也很危险——它让人瞬间产生“它有感情”的错觉。

另一段更有技术含量：Dessa 与 OpenAI 的 GPT-Live-1 语音模型对话，官方称 Dessa 显得更自然。这类同台比较的说服力有限，样本是挑过的，场景也是设计过的，但至少说明端到端路线在“像人”这件事上有结构性优势。

至于认错名字、突然跑题，团队自己也不避讳。他们把这些片段放出来，某种程度上是在说：这东西还年轻，别急着当成产品。

本地跑，是隐私也是约束

能在 MacBook Pro M4 Max 上本地运行，意味着语音不必离开设备。对一个做支付的金融科技公司来说，这个属性很重要：客服、身份核验、情绪识别这些场景，把音频传到云端本身就是合规风险。

但本地运行也意味着模型规模受限。Dessa 大概率不是靠参数堆出来的“全能选手”，而是把算力集中在语音理解与生成这一件事上。这也解释了它为什么只向安全研究者小范围开放——能力边界还没摸清。

安全叙事：听得见痛苦

团队提到的第三个理由是安全，措辞很具体：AI 越来越强、越来越独立，却几乎听不见我们声音里的情绪。想象一个人正处在剧痛中，语音 AI 毫无察觉，还在按流程往下走——这就是安全问题。

这是一个被长期低估的方向。现在的语音系统能识别关键词，却读不懂语调里的颤抖、急促和压抑。如果一个语音智能体要进入医疗、养老、客服投诉这些场景，“听得出不对劲”比“答得漂亮”更重要。

趋势判断

语音交互正在经历一次“去文本化”的回摆。过去几年，行业默认语音只是文本的另一层皮；Dessa 这类模型提醒我们，语音本身携带信息——节奏、情绪、迟疑，都是文本装不下的。

短期别指望它变成产品。演示好看，工程难做；情绪拟真越强，误用风险越高。但方向已经清楚：下一代语音 AI 的比拼，不是谁念得更像播音员，而是谁能在你说到一半时，听出你不太对劲。