Block 发布语音模型 Dessa：会笑会哽咽，一台 MacBook 就能本地跑

推特联合创始人杰克 · 多尔西旗下的 Block 公司，最近发布了一款叫 Dessa 的语音模型。它最大的特点有两个：一是能本地运行，二是说话带情绪，会笑、会停顿，甚至能听出哽咽的感觉。

一分钟速览

• 全双工模型，可以一边说话一边听，反应更接近真人对话。
• 官方称情绪是模型原生能力，不靠外挂标签拼出来。
• 门槛是一台 M4 Max 及以上配置的 MacBook，不需要联网。
• 暂不对外开放，先邀请安全研究者测试“语音骗人”的风险。

它和普通语音助手差在哪

现在大多数语音 AI 走的是三段路：先把你的话转成文字，再让大模型想答案，最后把文字读出来。这条链路看着顺，其实每一步都在丢东西。语气、迟疑、叹气这些信息，在转成文字的那一刻就没了，所以机器永远听不出你今天心情不好。

Dessa 换了个思路：语音直接进、语音直接出，中间不经过文字这道关。它属于全双工模型，也就是能同时说和听，不会等你讲完才反应。你停顿一下，它可能会接一句“嗯”，这种细小的插话，恰恰是真人对话里最自然的部分。

情绪是怎么来的

过去要让 AI 有情绪，常见办法是在文本里插标签，比如标注“此处笑一声”“这里语气低落”，再交给语音合成去演。这样出来的效果往往生硬，因为情绪是贴上去的，不是长出来的。

Block 的说法是，Dessa 的情绪内建在模型里，训练数据全部来自真实人声，整个训练过程只用了一组英伟达 GPU 机架，成本控制得相当低。官方放出的样例里，AI 说自己工作很累，声音也跟着发虚；聊到让人安心的话题，语气会软下来，接近哽咽。不过它底层是否仍然靠某种隐藏标签调控，外界目前看不出来。

为什么先给安全研究者

Dessa 现阶段不开放试用，Block 正在向安全研究者发邀请，重点是测一件事：这种语音智能体能不能骗过人。想想也合理，一个能模仿疲惫、犹豫、哭腔的声音，用在诈骗电话里杀伤力太大。先让研究者摸清边界，比先让大众玩起来更稳妥。

从商业上看，Block 的主业是金融服务，旗下 Square 已经在用语音 AI 接单。自己掌握一个能跑在本地、不依赖云端的语音模型，长期的成本优势很明显：商户不必为每次通话付接口费，敏感对话也不用传出自己的设备。

趋势洞察

语音 AI 的竞争，正在从“像不像播音员”转向“像不像一个人”。清晰、标准、无口音，这些曾经是卖点，如今反而是破绽，因为真人说话从来不利索。真正难的是那些不完美：抢话、停顿、说错再改口。Dessa 把算力压到一台笔记本上，说明这条路的技术门槛在下降。接下来值得盯的，是它落到真实客服、真实陪伴场景里，会不会让人觉得舒服，而不是发毛。