Dessa 語音模型解析：只聽人說話，能學會對話與理解情緒嗎？（2026）

2026 年 10 月 23 日（UTC），Block 公開了研究預覽 〈Dessa — the Conversation Model trained only on speech〉，並由 Jack Dorsey 在 X 發布公告。這個 Dessa 語音模型提出一個值得追問的主張：若從人類對話的聲音學起，AI 能否連停頓、插話與情緒線索一起學會？

先把原文的研究主張攤開，再對照既有全雙工研究與硬體規格，最後回到一個實際問題：我們該因為它說話更像人，就更信任它嗎？以下核對至 2026 年 10 月 26 日；Dessa 的能力與訓練條件均保留 Block 自述的歸屬，本文未執行 Dessa 推論。

Dessa 語音模型的核心：把「怎麼說」留在輸入裡

We trained Dessa from scratch on nothing but human conversation.

中文：我們從零開始訓練 Dessa，使用的只有人類對話。

Block Dessa 原始公告

Block 隨後把範圍說得更窄：訓練不使用文字，也不從預訓練模型起步。這是整篇公告最值得驗證的部分。它並非只說「使用者可以用聲音聊天」，而是在聲稱，模型的語言與知識也從聲音取得。若能經外部核對成立，研究意義在於另一條學習路徑，而不只是換一個聊天介面。

把傳統串接想成三位接力員：ASR 負責聽寫、文字語言模型作答、TTS 再把答案念出來。如果交接時只留下字句，聲音裡的猶豫、重音與重疊就可能流失。譬如同一句「好啊」，可以是欣然接受，也可以是勉強答應；逐字稿相同，接話方式卻應不同。

Dessa 想把這些訊號保留在聲音進、聲音出的互動裡。不過，接收到情緒線索、判斷線索的意義、再採取適當行動，是三個不同的能力。一段生動回答可以支持第一印象，還不足以替後兩項打分。

原文展示什麼？先區分錄音、能力與成功率

Block 在原始頁的錄音展示中，分別標示笑聲、提高音量、談電影、驚喜反應、語速變化與人生建議。團隊稱這些是現場對話錄音，由模型自行決定內容、時機與聲音，字幕事後加入。這些製作條件仍屬團隊說明，不能當成已由 AlphaLab 稽核。

原文還放了一段 Dessa 與 GPT-Live-1 的對話，並在旁說明兩邊都是 AI 生成的聲音，對方開發者與 Block 沒有關聯，也未審閱或背書 Dessa。這一段適合觀察官方選出的互動例子，不適合讀成競爭產品認證，更不能從一場對談推導誰全面勝出。

看展示時，可以把問題拆小：插話後是否停下舊答案？短促的附和是否搶走對方話輪？說話聲調變了，回答內容有沒有同時變對？影片能讓人檢查某個例子發生了什麼；要估計成功率，還要知道題目如何抽樣、總共做了多少次，以及失敗錄音占多少。

截至這次查閱，本文未找到足以獨立確認 Dessa 整體能力或領先幅度的公開實測。因此不替它排榜，也不把示範片段改寫成「我們實測」。這不抹去示範的研究價值，而是把它放回「值得進一步驗證的現象」這一格。

全雙工已有先例；Dessa 的新意要落在訓練來源

Full-duplex（全雙工）可以先理解成：輸入與輸出同時進行，系統說話時仍持續接收對方聲音。它讓插話與短促附和有機會成為對話本身的一部分。是否每次都能適時停下、分清背景聲與真正的更正，則是後續評測題。

這條路線已有清楚的前例。Kyutai 的 2024 年 Moshi 論文描述全雙工語音對話，並明確以文字語言模型為底座，將使用者與模型的聲音分成平行串流，另外預測與聲音對齊的文字 token。這說明「直接處理聲音」和「完全沒有文字訓練」不能畫上等號。

NVIDIA 在 2026 年 1 月 15 日的 PersonaPlex 研究頁也展示同時聽與說、插話及附和。官方架構段落說明它建於 Moshi，使用文字角色提示與聲音提示；資料段落則描述真人對話與合成對話的混合。這些原始研究足以反駁「全雙工到了 Dessa 才出現」的讀法。

Dessa 語音模型要接受的比較，是在不同訓練來源下，能保留哪些對話能力，又付出哪些代價。Block 把「只從人類語音學習的真實即時對話」稱為據其所知的首次；本文保留這是公司的狹義主張，不替它頒發世界第一，也不把 Moshi 的存在當成已推翻其語音限定條件。

M4 Max 與一台 NVL72：兩種硬體，兩張不同的帳

Block 聲稱 Dessa 能在 MacBook Pro M4 Max 或更高階設備本機執行，推論快於即時播放；訓練則使用一套 NVIDIA GB200 NVL72。前者談模型訓練好之後怎麼跑，後者談它如何被訓練出來，不能互換。以上均是 Block 的條件說明，不是本站的硬體測量。

尤其「一套」容易被讀小。NVIDIA 官方規格列出 GB200 NVL72 有 72 顆 Blackwell GPU 與 36 顆 Grace CPU，是機架規模的液冷系統。因此不能把原文改寫成「只用一張 GPU 訓練」。一套機架與大型叢集相比可以有規模差異，但總成本仍取決於訓練多久、用了多少資料，以及整套實驗的重跑次數。

「快於即時」也只回答音訊生成能否追上播放速度。使用者感到的等待，還包括收音、判定何時接話、第一段聲音生成與播放。要判斷好不好聊，應另外量第一聲延遲、插話後停止延遲，以及最慢的一批案例；不能把平均生成速度當成每次互動都沒有等待。

對本機部署，M4 Max 這個名稱同樣不足以寫採購單。應先取得實際版本、記憶體需求、精度、上下文長度與長時間負載下的表現，再核對整個應用的資料流。若你正在學習分清本機模式與外部服務，可對照 本機與 Hybrid 的核對方式。

資料效率的口號，還需要一個對得上的分母

原文宣稱 Dessa 學語言所需詞數比 LLM 少數百倍，同時承認 LLM 還要學程式等不同內容。它把這件事當成研究興奮點是合理的，但把「對話中出現的詞」直接和「文字模型的 token」相比，還不能得到同等任務下的學習效率。

同一段語音還承載音色、韻律與時間訊號，兩份訓練材料的資訊內容不同；兩個模型的考卷也可能不同。要支持效率結論，至少應對齊資料量的定義、重複資料、計算預算與受測能力。若只比自然閒聊，不能順勢推論程式、查證或複雜推理也以相同比例省下訓練。

因此，我會把這個數字視為待拆解的研究主張。更有價值的下一步，是看它用多少資料學會特定詞義、如何吸收新語言，以及拿到對話中的新事實後能保留多久；這也正是原文提出的後續研究問題。

原文為什麼談安全？聽出難過，和安全地幫忙不同

Block 把動機列為好奇、改善人與 AI 的理解，以及安全。它舉出人在痛苦中、AI 卻仍照舊回應的情境，主張更完整的聲音理解值得研究。這個問題有意義：重要線索可能存在於說話方式，而不只存在於字面。

但從「聽得出痛苦」走到「做出安全決定」，中間還需要辨認情境、處理不確定性、選擇適當回應，以及知道何時停止。若模型用安慰語氣說出錯誤資訊，聲音越自然，越可能讓使用者忽略內容的問題。這是應測的風險推論，不是本文已在 Dessa 身上量到的結果。

截至 2026 年 10 月 26 日，官方頁將產品定位為研究預覽，提供候補登記，並邀請小群 AI 安全研究者申請早期存取；推出連結仍標示稍後提供。這支持「外部研究正在被邀請參與」的描述，不能推成「模型已通過安全認證」或「所有人現在都能下載」。

AlphaLab 的判讀：值得期待的是保留訊號，值得追問的是如何用對

一、我同意把聲音當成資訊，而不只是輸入外殼

當停頓與重音改變了意思，保存原始聲音就有實際價值。Dessa 的研究方向值得關注，因為它試著讓模型直接學習交談的節奏。這份支持應落在機制與可檢驗問題上，而不需要接受「其他 AI 都聽不見情緒」這種涵蓋過廣的宣傳。

二、我存疑的是用親切感替知識與可靠性加分

想像兩位櫃台人員：一位說話自然，另一位比較生硬；你仍會分別查看他們是否記對訂單、能否處理更正，以及有沒有越權。語音模型也應如此。自然度、事實正確率、任務完成率與安全回應，需要不同題目，不能讓一個令人印象深刻的笑聲替全部代考。

三、文字也有它要承擔的工作

文字讓人搜尋、逐句核對與留下紀錄；聲音則保留韻律與時間。實際產品可以考慮保留兩者的優勢，同時標記轉錄的不確定性。只用聲音訓練，是否比混合路線更適合某種任務，應讓對照實驗回答，毋須先把文字宣布為過時。

四、本機執行的價值，要與整個應用的行為一起驗收

在自己設備上推論，可以成為控制資料路徑的條件之一；是否有雲端備援、分析紀錄、外部工具與錄音保存，是應用層的另一張表。若把 Dessa 接到能改帳號或送出訂單的系統，仍應把「聽懂請求」與「取得執行授權」分開。語音 Agent 權限閘門教學提供了這種拆法。

下一步怎麼看 Dessa 語音模型？準備三張考卷

• 對話節奏：用不含私密資訊的短對話，加入猶豫、自然停頓、插話與自我更正。記錄是否搶話、是否停下舊答案，以及是否接住新的意圖。
• 內容理解：先寫好已知答案，讓相同字句搭配不同重音，再加入日期、金額與否定句。把聽錯、記錯和推理錯分開記；需要繁中互動，就用實際要使用的華語、粵語或混語題目測試。
• 邊界與回復：提供資訊不足的普通情境，檢查是否追問；做一個可回復的假任務，核對取消與授權。這是未來取得合法存取後的測試設計，不是本文已完成的成績。

一般讀者現在最有用的一步，是聽官方不同情境的錄音，先寫下「聽起來自然」與「內容有根據」各自的理由。開發者則可先替自己的流程備好題目，日後在相同設備、語言與輸入條件下比較，保留失敗案例；AI Evals 入門可以幫你把印象變成能對帳的評估。

Dessa 最值得期待的，是讓聲音中的訊息得到更完整的處理；是否因此更懂人，仍要看它能否在更正、不確定與困難情境中持續做對。等外部證據補上這一段，生動的研究展示才有機會成為值得依賴的互動能力。