Block 發表原生語音對語音 AI 模型 Dessa：完全僅以人類對話訓練

Jack Dorsey 旗下的科技公司 Block 宣布推出人工智慧模型 Dessa，該模型完全透過人類語音進行訓練，而非書面文字。在 Ragavan Thurairatnam 的領導下，開發團隊「完全僅憑人類對話從頭打造」該系統，旨在創造出更自然且具備情緒回應能力的語音介面。

純粹的語音對語音架構

不同於傳統語音助理將口頭言語轉為文字、處理文字後再將輸出轉回合成語音的方式，Dessa 是一個真正的語音對語音（Speech-to-Speech）模型。該系統所掌握的一切，都是直接從人類語音中學習而來。團隊將這種訓練理念比喻為兒童的成長過程，指出嬰兒在完全沒有看過書面文字的情況下，就能學會說話。

在技術層面，該模型能在高階消費級硬體上本機執行，硬體需求為配備 M4 Max 晶片或更高級別的 Apple MacBook Pro。

逼真的互動體驗與微妙的情緒變化

Dessa 官方網站上展示的示範內容，展現了該模型逼真的對話能力，但也暴露出偶爾出現的尷尬時刻。在團隊分享的音訊剪輯中，Dessa 能進行來回問答的猜謎遊戲，並討論電影話題，包括在一段關於導演 Christopher Nolan 的對話中，模型突然離題聊起 Bryan Singer 執導的 Superman 電影。

在另一段分享的互動中，當使用者告訴 Dessa 要帶它去巴黎進行一場驚喜之旅時，這套 AI 展現出團隊所描述的「感動落淚般」的感激之情。然而，該模型仍會出現不可預測的行為——在 Thurairatnam 主導的一段對話中，Dessa 最初甚至將講者誤認為名為 "Ronaldo" 的人。

該網站還展示了 Dessa 與 OpenAI 的 GPT-Live-1 語音模型之間的對話，其中 Dessa 展現出明顯更為自然的對話節奏。

解決語音 AI 中的情緒感知與安全問題

Block 的 Dessa 團隊提出了推動該專案的三大核心動機：好奇心、提升人機之間的相互理解，以及安全性。

開發人員指出，現有的語音 AI 工具會將人類對話壓平轉換為文字，從而失去了有關語音節奏和情緒的關鍵上下文脈絡。他們強調，目前的模型對情緒訊號大多視而不見，當使用者處於痛苦或危難狀態時，標準的文字型語音系統無法察覺，進而引發安全風險。

Block 宣布，最初將僅向少數 AI 安全研究人員開放 Dessa 的早期存取權限，以進行進一步的評估。