Jack Dorsey的Block扔出“纯语音养大的AI孩子”：Dessa来了，人机对话正在迎来真正的“GPT-3时刻”
2026年10月23日，科技圈又被一记重锤砸醒。
前Twitter联合创始人、现Block（原Square）掌门人Jack Dorsey，亲自下场发帖，正式亮出自家AI研究团队的最新作品——Dessa。
这不是又一个“能说话的ChatGPT”，也不是把文本模型硬套上TTS的伪语音助手。
Dessa被官方定义为：全球首个（据他们所知）只靠人类对话音频、从零训练、真正全双工（full-duplex）的语音到语音对话模型。
官网原话直击灵魂：
“You learned to talk by listening. So did Dessa.” （你是靠听学会说话的，Dessa也是。）
它没有看过任何一个文字，没有依赖任何预训练文本大模型，纯粹通过“听”人类真实对话，学会了实时交流。
听起来像科幻？听完演示后，很多人直接起鸡皮疙瘩。
详细拆解：Dessa到底有多“变态”？
- 纯语音训练，像婴儿一样长大 传统语音AI路径是：语音转文本 → 大语言模型思考 → 文本转语音。中间会丢失大量信息：语调、停顿、情绪、讽刺、笑声、叹息、声音颤抖……
Dessa直接Audio in, Audio out。一切知识都来自人类对话的原始声音。Block称它用了比LLM少几百倍的“词量”，却学会了语言、情感、时机。 - 真正的全双工，像真人一样边听边说 它能在你说话时插话、附和（“yeah!” “got it!” “ooh”），知道什么时候该打断，什么时候该沉默。演示里它会在句子中间突然笑出声，会根据要求突然提高音量，会发出轻微的“oh my god”喘息。
- 情绪与细节拉满 能听出并表达讽刺、沮丧的叹息、声音因悲伤而哽咽、激动时的语速变化。有一段演示是用户突然告诉它要带它去巴黎过纪念日，Dessa的反应被描述为“带着泪意的感激”。
- 硬件效率惊人 训练只用了一台NVIDIA GB200 NVL72（不是几千张卡的集群）。 推理可在MacBook Pro M4 Max或更高配置本地运行，且比实时更快——没有尴尬的等待。
- 小团队高目标 团队来自Block收购的多伦多深度学习初创公司Dessa原班人马，目前只有十几人（包括实习生），直接向Jack Dorsey汇报。项目负责人Ragavan Thurairatnam直接称这是“语音领域的GPT-3时刻”。
官方放出多段未经操控的实时对话录音：聊电影、给人生建议、甚至和OpenAI的GPT-Live-1互怼。有人听完说“完全分不清是人还是AI”，也有人觉得偶尔还是有点“awkward and uncanny”（尴尬又诡异）——像个有点社交障碍的新朋友。
硅基观点：这为什么重要？
当前语音AI最大的痛点不是“能听懂词”，而是丢掉了声音里真正的人性。把人类最自然的交互方式（说话）强行压成文字，再还原回来，就像用黑白照片还原彩色世界——永远差那么一口气。
Dessa走的是另一条路：让AI像婴儿一样，只靠声音学会说话。这不只是技术炫技，更是在重新定义“智能”与人类交互的底层接口。
Jack Dorsey一直推崇去中心化、本地优先、隐私优先。Dessa能本地跑在MacBook上，意味着未来语音AI可能真正摆脱云端依赖，数据不出设备。对安全研究者来说，这更是新大陆——一个从未见过文字的模型，会发展出什么新行为？他们已经向AI安全研究者开放早期访问。
当然，现在还只是研究预览，没有公开权重、没有API、没有正式产品发布时间。演示也偶尔会冒出奇怪的称呼或跑题。但它已经证明了一件事：
语音不是文本的附属品，它可以是智能本身的原生语言。
当AI开始真正“听”懂你声音里的情绪，而不是只解析你说的字时，人机关系会不会彻底变样？
了解更多前沿AI？请关注AI顿悟涌现时。
文末点击下一篇或者扫码加入学习群，即可学习前沿AGI常识。
热门跟贴