把「先转文字」这一步删掉：Block 的 Dessa 让机器直接听情绪，一台 MacBook 就能跑

10 月 23 日，Block 的研究团队上线了一个叫 Dessa 的语音模型。这家公司更广为人知的身份是 Jack Dorsey 旗下的支付与小微商户服务商，Square 和 Cash App 都在它名下。发布形式很克制：没有论文，没有基准分数，没有接口文档，没有参数量，没有训练时长，也没有数据小时数。

能拿到的硬信息只有几条。模型在一台 NVIDIA GB200 NVL72 机架上训练完成，那是一个把 72 块 Blackwell GPU 用 NVLink 连起来的一体机架；推理可以在搭载 M4 Max 及以上芯片的 MacBook Pro 上本地运行，官方称速度快于实时；对外只开放给少量 AI 安全研究者，其余人排候补名单。团队规模被写进了说明里：六名研究员，加上几名实习生，负责人 Ragavan Thurairatnam 直接向 Dorsey 汇报。

一家做支付的公司，为什么要自己训一个语音模型？答案藏在它自己的业务里。Square 已经在用语音 AI 接餐厅的订餐电话，这类场景的特点是通话短、意图明确、量大、单价低。按分钟计费的云端语音服务在这种场景里会把毛利吃掉一大块，而一个能装在本地、不按分钟计费的模型，改变的是这块业务的成本结构，不只是体验。

所以这份「几乎没有数字」的发布说明，其实说了一件很具体的事：语音模型的竞争重心，正在从「音色像不像人」转到「中间那一层要不要留」。前者是效果问题，后者是架构问题，而架构一旦换了，成本、合规、可审计性会跟着一起换。

现在主流的语音助手是一条三段式流水线：语音识别把声音变成文字，大语言模型读文字写回复，语音合成再把文字读出来。这条链路工程上很成熟，也容易做风控——中间的文本可以读、可以记日志、可以拿关键词过滤。但它有一个绕不过去的代价：文字是一个把语音压扁的容器。

语速、停顿的长短、气息、笑意、犹豫、说到一半改口，这些东西在转写的那一刻就掉出去了。剩下的是干净的句子，也是没有情绪的信息。Block 在项目页上的原话很直白：世界上最强的 AI 也听不出你的感受，他们认为这不合理，体验差，而且存在潜在风险。

Dessa 的做法是把中间那层拿掉。音频进，音频出，训练数据只有人类的对话录音，没有文本语料，也没有加载任何预训练权重。团队用了一个类比：婴儿学会说话，从来没有先看过文字。他们想知道模型能不能也这样。

这不是孤例，而是过去一年里逐渐显形的一条分支。ElevenLabs 在 2026 年 3 月就公开承认，直接处理语音的模型在保留语调和情绪上确实更好；巴黎的 Kyutai 做的 Moshi 直接处理音频，但同时保留一条文本预测通道作为「内心独白」；NVIDIA 开源的 PersonaPlex 就建在 Moshi 之上。Dessa 的差别在于把文本彻底删掉，连内心独白都不留。

值得强调的是，这不是「更强的语音合成」。合成解决的是「读得像不像」，Dessa 想解决的是「听没听懂语气」。前者优化的是输出端，后者换的是整条数据通路。用语音训练语音，意味着语言本身也是从声音里学来的——这既是最有想象力的部分，也是最难验证的部分。

传统语音助手更像对讲机：靠静音检测判断你说完了，然后才开口。这套机制在人说话有停顿、有思考、有插话的真实场景里，体验非常僵硬——你稍微停一下，它就抢话；你说得快一点，它就接不上。

全双工改的是这个结构。模型一边说一边听，可以在句子中间笑出来，可以在对方讲话时低声应一句「嗯」「对」，被要求大声一点时音量会跟着抬高，甚至能在你想不起某个词的时候替你补上。官方放出的 6 段录音没有剪辑，其中一段还让它和 OpenAI 的 GPT-Live-1 对聊。

全双工并不是 Block 首创。OpenAI 在 2026 年 7 月就把全双工带进了 ChatGPT，做法是把难题转交给后台模型处理，前台对话不中断。Dessa 的差异在于「全双工 + 纯语音训练」这个组合，官方称这是第一个完全从声音里学会对话的模型。

对业务来说，全双工改的不是音质，是轮次。一次客服通话里，相当一部分时间花在「等对方说完」和「确认对方还在」上，轮次结构一变，通话时长的分布就变了，坐席人效的算法也得跟着变。反过来说，轮次判断也是最容易翻车的地方：打断得太早像抢话，应声太密像敷衍，这些在人身上靠经验，在模型上靠训练数据里的对话节奏。

有一个细节值得留意。媒体报道提到，The Verge 的试听评价是「大部分自然，但偶尔尴尬、有点恐怖谷」，其中一段 Dessa 把对话方叫成了「Ronaldo」。这类错误在纯语音训练里更可能出现，因为它没有文本世界知识作为兜底。演示很惊艳，但它离「稳定可用」还有距离。

Dessa 最有卖点的能力是「听得出情绪」，而这恰好是监管最敏感的方向。欧盟《人工智能法案》把在工作场所和教育场景推断情绪列入禁止性实践，同时要求在人机交互时明确告知对方正在与机器对话。换句话说，在欧盟，一个能判断坐席情绪或学员情绪的语音系统，大概率连试点都过不了。

国内的口径要分开看。声纹在多数合规实践里按生物识别信息处理，属于《个人信息保护法》定义的敏感个人信息，处理它需要单独同意、明确必要性，并做到最小化。同时，《生成式人工智能服务管理暂行办法》要求对生成内容作出标识，《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日起施行，AI 生成的语音同样落在标识范围内。

把这三条放在一起，会得到一个很具体的结论：能不能上线，不取决于模型听得多准，而取决于四件事能不能答上来——录音落不落盘、落盘后谁能听、保存多久、能不能拿去再训练。这四问答不上来，模型再好也不该进生产环境。

还有一个容易被忽略的点：删掉文字层，等于删掉了一份「可读的日志」。文字转写虽然丢信息，但它是可审计的；纯语音模型的中间状态不可读，出问题之后回溯成本更高。这不是反对纯语音，而是提醒一句：保真和可审计，在这一代架构里是互相拉扯的。

训练侧的规模被官方主动说小了：一台 GB200 NVL72 机架。按前沿实验室的标准，这个规模确实不大，Block 自己把「小」写进了发布说明。这带来的直接含义是，语音模型的训练门槛没有想象中那么高，尤其在只做单一语种、单一场景的时候。

推理侧更值得算。官方说模型能在 M4 Max 及以上的 MacBook Pro 上本地跑，速度快于实时。这意味着两件事同时成立：商户不必按分钟付调用费，录音也不必离开自己的机器。对于一天几百通电话的门店，这两条加起来的分量，比「音色更像人」重得多。

把成本拆开看会更清楚。云端语音服务的账单通常由三块构成：识别、模型推理、合成，按分钟或按 token 叠加，通话量越大越贵。本地推理把可变成本换成了固定成本：一次性硬件投入、电费、运维，以及模型更新时的人力。固定成本对小店不友好——它要求你先相信这套东西能用两年以上。

所以真正该算的不是「每分钟便宜多少」，而是「一天多少通电话才能摊平」。经验上，电话量稳定、意图集中、话术不复杂的场景（订餐、预约确认、取件提醒、回访）最容易摊平；咨询类、投诉类、需要查政策的场景，摊不平，也不该摊。

还有一个隐性成本：异常兜底。任何语音系统都必须有一条「转人工」的路，而且这条路要足够短。转人工的比例、平均等待、转过去之后人工要不要重问一遍，这三项决定了客户最终记住的是「方便」还是「绕了一圈」。

先把边界说清楚。Dessa 不能联网，不能调用工具，也读不了文档；它知道的一切都来自训练用的对话数据。这意味着它不是一个知识助手，问它库存、问它政策、问它订单到哪了，它答不了——除非把这些信息预先编进对话训练里，而那既不经济也不可靠。

它能干的是另一类事：接起电话、确认意图、把话说完、把信息记下来。订餐时确认菜品和数量，预约时确认时间和门店，回访时确认满意度，催取时确认谁来拿。这些任务的共同点是短、闭环、有明确终点。

所以现阶段的定位应该老实一点：它是一个声音，还不是一个助手。声音层的价值在于「接得住、听得懂语气、不机械」，把客户留在这条线上；至于查数据、改订单、发通知，仍然要交给后面的业务系统。

这也解释了为什么 Square 的场景是餐厅订餐而不是全能客服。订餐是语音 AI 最容易做闭环的任务：菜单有限、话术固定、结果可验证、出错可回滚。从这个点切进去，再往上加能力，比一上来就做「什么都能问」的助手靠谱得多。

第一个先别做：把演示当成采购依据。Dessa 目前没有基准、没有权重、没有价格，只有 6 段录音和一个候补名单。演示能证明「这条路走得通」，不能证明「你的场景跑得动」。

第二个先别做：把情绪识别用在人身上做管理。不管技术多准，用语音判断坐席有没有耐心、客户有没有被激怒，再据此考核或定价，在多数司法辖区都会撞上劳动法与个人信息保护的墙。

第三个先别做：把历史录音直接喂给模型。录音里有第三方声音，也有员工声音，未经单独同意的二次使用，风险不在模型侧，而在数据侧。

可以先做的三件事，和模型没关系，但决定了模型来了之后能不能接上。第一，把电话内容结构化成工单——不管这通电话是人工接的还是机器接的，先说清楚「一通电话应该留下哪几个字段」。第二，把「必须人工」的边界写成规则，而不是靠坐席临场判断。第三，把每分钟成本和错误成本分别算出来，前者容易算，后者才是决策依据。

这三件事做完，你会发现选型问题变得简单：能接上你工单结构的语音方案才有意义，接不上的，音色再好也只是个玩具。

Dessa 真正提出的问题不是「语音模型能不能更像人」，而是「我们愿不愿意为了保真，放弃那一层可读的中间表示」。文字层是工程上的安全垫：它让系统可读、可查、可拦截。删掉它，换来的是情绪与语气，付出的是可审计性。

这个交换在不同的业务里答案不同。订餐电话里，交换是划算的——损失可审计性换来更短的对话和更低的单价。投诉电话里，交换是不划算的——你更需要一份能复盘的记录，而不是一段听起来很共情的录音。

所以这一轮真正的门槛不在模型，而在两件很土的事：录音怎么治理，转人工的边界怎么划。模型会继续变强，这两件事不会自动变好。