Block 发布 Dessa 纯语音训练模型 捕捉文本遗漏情绪
Block 推出名为 Dessa 的 AI 语音模型，该模型完全基于人类语音数据从零训练，不依赖任何文本数据。Dessa 直接处理音频流以实时识别情绪、讽刺和停顿，并支持全双工通信，目前仅在 MacBook Pro M4 Max 上本地运行且未公开。
报道正文
Square 和 Cash App 背后的公司 Block 发布了一款名为 Dessa 的 AI 语音模型。
Block 表示，Dessa 是首个完全基于人类语音训练、不含任何文本数据且从零开始构建的 AI 模型。与先将音频转换为文本不同，Dessa 直接以音频形式处理语音。这使其能够实时捕捉情绪、讽刺、笑声和停顿。
视频 3 该模型支持全双工通信，因此可以边听边说。它在 MacBook Pro M4 Max 上本地运行，并在一台 NVIDIA GB200 NVL72 上进行训练。Block 称，他们出于好奇心、对更好的人机交互的追求以及安全考量（因为当前的语音 AI 忽略了情感线索）而开发了 Dessa。Dessa 目前尚未公开可用。团队首先正在寻找 AI 安全研究人员来测试该模型是否存在意外风险。感兴趣者可以通过表单注册。
早期在情感化语音 AI 方面的尝试并未成功
多个团队曾试图打造听起来富有情感的语音 AI。2024 年 3 月，初创公司 Hume AI 推出了 EVI（共情语音接口），这是一款具有“情商”的语音 AI。Kyutai 随后在 2024 年 9 月发布了 Moshi。LAION 的 Open Empathic 项目自 2023 年底以来一直在使用开源音频数据集训练共情语音合成模型。OpenAI 在 2025 年 6 月彻底改造了 ChatGPT 的“高级语音模式”，并在此后持续优化，增加了更好的语调、停顿以及更逼真的共情和讽刺表达。
但听起来有情感并不等同于真正拥有情感或智能，即使它能营造出这种印象。对于先进的语音 AI 而言，诸如在响应的同时进行推理等能力比声音听起来有多自然更为重要，因为这些能力实际上会影响回答的质量。