Block 旗下 AI 研究團隊近日正式發表全新語音模型「Dessa」。官方強調，呢個模型完全從零開始，純粹依賴「人類對話音訊」進行訓練，徹底摒棄傳統嘅文字資料同預訓練模型（pre-trained model，即已預先學習好嘅大型語言模型底層）。
呢個模型採用「語音對語音」（speech-to-speech）全雙工（full-duplex）架構，可以「邊聽邊説」，唔需要好似傳統語音 AI 咁，先把語音轉譯成文字、再逐字生成回應。Block 指，呢個轉換過程會導致情緒同時序資訊嚴重流失，Dessa 嘅設計就係為咗補足呢個缺口。
按官方釋出嘅示範錄音，Dessa 喺對話中能自然穿插短回應，遇到驚喜情境會發出倒抽一口氣、笑聲及語氣起伏；佢亦能辨識人類嘅諷刺語氣、遲疑、聲音裂痕等細微線索，並做出相應反應，甚至能按要求即時提高音量。Block 表示，訓練呢個模型只動用咗單一組 Nvidia GB200 NVL72 系統。
比較特別嘅係，Dessa 可以喺搭載 M4 Max 或更高規格晶片嘅 MacBook Pro 上直接進行本機執行（local execution），即唔需要雲端 GPU 都可以跑。
不過，Dessa 目前仍處於「研究預覽」階段，尚未成為正式商用產品。Block 現階段僅將早期使用權限開放予少數 AI 安全研究人員申請，外界要感受其表現，目前只能睇官方釋出嘅對話示範錄音。
阿調搞兩下： 語音 AI 一直係個「先聽完先講」嘅系統，聽完、打字、再講，情緒同節奏全部流失。Dessa 嘅賣點就係跳過呢個文字轉碼，直接用音訊入、音訊出。而最吸引我的係佢話 M4 Max MacBook Pro 跑得到——如果呢個係真，而唔係廠商話事，語音模型去雲端嘅門檻就實實在在地降低了。不過，「研究預覽」三個字擺喺度，一切要等正式發布先至算數。點樣，你覺得語音模型放喺自己部筆電上面跑，係解放定係風險？
阿調｜深度調教
