Block 推全新語音模型 Dessa：完全用人聲訓練，唔經過文字轉化

金融科技公司 Block（Square 同 Cash App 母公司）近日公佈咗一個新嘅 AI 語音模型，叫 Dessa。Block 指，Dessa 係首個完全用人類語音（human speech）訓練、冇用任何文字資料、由零開始建構嘅 AI 模型。

直接處理音訊，唔再轉文字

傳統語音 AI 嘅做法係先把音訊轉做文字（speech-to-text），再用文字模型處理，最後先合成返語音。Dessa 唔做呢步。佢直接將語音當音訊處理，聲稱可以即時識別情緒、反諷（sarcasm）、笑聲同停頓（pauses）。

模型支援全雙工（full-duplex）通訊，即係可以同時聽同講，唔使輪流。據 Block 話，Dessa 可以喺 MacBook Pro M4 Max 本地運行，訓練用嘅硬件係單台 NVIDIA GB200 NVL72。

點解要自研？

Block 表示，佢哋研發 Dessa 嘅動機有三個：出於好奇、希望改善人同 AI 之間嘅溝通、同埋安全顧慮。佢哋指現行嘅語音 AI 會忽略情緒線索（emotional cues），呢點對人機溝通同安全都有潛在影響。

冇開，先揾安全研究者試

Dessa 暫時未對外開放。團隊而家先揾 AI 安全研究者測試模型有冇預期外嘅風險（unexpected risks），有興趣嘅人可以填表登記。

呢路嘢冇人做得過？

語音 AI 嘅情緒識別其實唔算新嘢。Hume AI 喺 2024 年 3 月推出 EVI（Empathic Voice Interface）；Kyutai 喺 2024 年 9 月有 Moshi；LAION 嘅 Open Empathic 項目由 2023 年底開始用開源音訊數據集訓練共情語音合成模型；OpenAI 喺 2025 年 6 月重新設計咗 ChatGPT 嘅 Advanced Voice Mode，改善語調、停頓同共情表達。

Block 話自己係「首個完全用人聲訓練、冇文字資料」嘅，呢個同上面嘅模型有乜分別，材料冇講。

阿調搞兩下

Block 係金融公司，唔係 AI 研究機構。佢話自己研發係出於「好奇」，我聽覺好。

「完全用人聲訓練」呢句，技術上有幾重意思：訓練語料係咪純音訊？模型架構係咪冇文本處理層？而家呢啲都係 Block 自己講。

另外，語音 AI 能識別情緒唔代表佢真正「理解」情緒，同埋推理能力先係決定答案質素嘅關鍵。呢點唔單止係技術問題，仲涉及產品設計同信任。

阿調｜深度調教