先看证据
变化不只是让助手更会插话
Block 的 AI 研究团队于 2026 年 10 月 23 日公布 Dessa，并将其作为研究预览推出。Dessa 是一个全双工语音到语音模型，输入和输出都是音频，而且能在自己说话时继续听用户。Block 称它只用人类对话音频训练，没有使用文本或预训练模型。这让它不只是一个更自然的语音界面，也是一项关于语音模型该从什么表示开始学习的架构主张。
常见语音系统会把语音识别、文本对话模型和语音合成串在一起，文字在其中承担中间接口。Dessa 声称绕过这层文字，直接由音频生成音频。真正值得技术负责人辨认的分野因此不是“能不能边听边说”，而是模型是否必须先把对话压成文本，再据此理解和回应。前者已有其他全双工系统展示，后者才是 Dessa 的核心主张。
绕过文字，保留了什么又失去了什么
文字转写能记录说了什么，却未必能完整保留怎么说。笑声、叹息、讽刺语气和音量变化，可能在转写过程中变弱，甚至不进入文本。Block 据此解释，直接从对话音频学习，或许更容易利用这些声音线索，也能学会何时插话、何时用 “yeah” 或 “got it” 这样的短回应。公开演示中出现了笑声、附和和打断，正好对应这项设计希望处理的现象。
但从现象到因果，中间还缺关键证据。Block 没有公开 Dessa 的模型结构、音频编码方式或训练目标，也没有给出对照实验来说明这些表现来自纯语音训练，而不是其他未披露因素。绕开文本或许少丢失声音信息，却也少了一个便于检查的中间表示。对实际系统而言，日志、错误定位和对话内容审核都可能因此更难，不能把“保留更多声音”直接等同于“理解得更好”。
Moshi让路线差异变得具体
Kyutai 的 Moshi 是一个有用的对照，因为它同样支持全双工对话，却从文本语言模型骨干出发，再预测时间对齐的文本和音频 token。换句话说，全双工不是 Dessa 独有的能力，差异在于两者把什么放在语音生成路线的起点。Moshi 将文本模型纳入系统，Dessa 则把“不用文本、不用预训练模型”作为公开的设计选择。
披露程度也不对称。Moshi 的模型卡列出 8B 参数、700 万小时预训练音频，以及约 160 毫秒的理论延迟和约 200 毫秒的实际延迟。Dessa 没有公开参数量或具体延迟，只称推理快于实时。这个比较能说明研究路线和可见证据的差别，却不能据此判断谁的对话能力更强。Dessa 尚无公开权重和基准分数，外部团队还无法在相同任务、设备和测量协议下复现比较。
GPU数量看起来悬殊，却不能说明效率
Block 称 Dessa 使用一套 NVIDIA GB200 NVL72 训练，这套机架级系统包含 72 块 Blackwell GPU。Moshi 的披露则提到使用 1,016 块 H100 GPU。两个数字容易被读成训练成本高低的答案，但它们来自不同代际的硬件，而且 Dessa 的训练时长和完整计算量均未公开。只比较 GPU 数量，无法得出谁用了更少算力，也不能证明模型训练得更有效率。
推理侧的说法同样需要拆开看。Block 称 Dessa 能在 MacBook Pro M4 Max 或更高配置的设备上本地运行，且速度快于实时。公开材料没有给出毫秒级延迟、内存要求或标准化测试结果，因此这是一项厂商披露的运行能力，不是可复现的性能指标。演示中用户要求模型说大声些，模型随后提高音量，能展示一个具体响应，却不能说明它在不同设备、环境和对话任务中的稳定性。
研究预览还不是部署依据
Block 还称 Dessa 用比大语言模型少数百倍的词数学会语言，但没有披露训练语料总量、词数的计算方法或比较基线。这项数据效率说法目前无法独立核验。训练语料的来源、授权情况和语言覆盖范围也未公开。对于计划评估模型的团队，这些不是外围信息，它们会影响结果能否复现、适用于哪些用户，以及是否能进入真实产品流程。
Dessa 目前没有公开权重、技术论文、基准分数或通用 API，访问仍处于研究预览阶段，包括等候名单和有限的早期申请。技术团队可以把它当作一个值得验证的研究假设，去测试纯语音训练是否改善插话、附和和语气保留。实际判断应等到模型与评测条件更完整：在此之前，本地运行的说法、自然的演示和较少的 GPU 数量，都不足以支持替换现有语音链路或作出采购决定。