Block 发布 Dessa：仅用语音训练的全双工语音模型

Block 的 AI 研究实验室发布了 Dessa，一个仅用人类对话语音训练的全双工语音模型。Block 于 2026 年 10 月 23 日以研究预览版的形式宣布了这一成果。Dessa 是 Block 推出的语音到语音（speech-to-speech）模型，可以同时听和说。Block 表示，其训练过程没有使用任何文本，也没有使用任何预训练模型。这与当今大多数语音智能体所采用的”文本优先”技术栈截然不同。

要点速览

运行环境： MacBook Pro M4 Max 或更高配置，本地运行，速度快于实时。
表现： 目前仅有演示。实际录音中展现出附和插话、句中笑声和自然打断等能力。
最优： 仅用 1 台 NVIDIA GB200 NVL72 机架（72 块 GPU）训练。而 Moshi 用了 1,016 块 H100 GPU。
最差： 公开的基准测试得分为零。没有权重、论文、API 或定价。

Block 的 Dessa 是什么？

Dessa 是一个真正的语音到语音模型：音频进，音频出。据 Block 项目页面介绍，它所掌握的一切知识都来自人类语音。

它是全双工的，也就是说边说边听。Block 称，它从真实对话中学会了何时插话，也学会了何时用”嗯””对”之类的简短附和来回应。

Block 的演示片段显示，Dessa 会在句中发笑，被要求大声点时会提高音量。其中一段片段展示了它与 OpenAI 的 GPT-Live-1 对话。Block 表示，没有任何一段演示是人为引导的。

纯语音训练是如何工作的？

大多数语音系统串联三个部分：语音识别、文本模型、再接语音合成。Block 团队认为，这种串联方式会丢失情绪、讽刺、笑声和叹息。而 Dessa 直接聆听并直接生成这些信号。

Block 尚未公布架构。以下是目前已披露的信息：

训练数据： 仅人类对话音频。没有文本，也没有预训练模型。
算力： 1 台 NVIDIA GB200 NVL72，它将 72 块 Blackwell GPU 与 36 颗 Grace CPU 连接在一起。
数据效率： Block 称，Dessa 学习语言所需词汇量比 LLM 少数百倍。
推理： 速度快于实时，可在 MacBook Pro M4 Max 或更高配置上本地运行。

该实验室还解释了这件事为什么难：语音从不完全重复。同一个口语单词所占的字节数是文本形式的数千倍。

Kyutai 的 Moshi 是目前最知名的开源全双工模型，走的是另一条路线。Moshi 从一个文本语言模型骨干网络起步，在预测音频 token 之前先预测时间对齐的文本 token。其模型卡列出的预训练音频为 700 万小时，使用了 1,016 块 H100 GPU。

Dessa 与 Moshi、PersonaPlex、GPT-Live-1 的对比

维度	Dessa（Block）	Moshi（Kyutai）	PersonaPlex-7B-v1（NVIDIA）	GPT-Live-1（OpenAI）
起点	仅语音，无文本，无预训练模型	Helium 文本语言模型骨干 + 音频	从 Moshi（Moshiko）权重微调	未披露；将推理委托给后端智能体
参数量	未披露	8B（Hugging Face 页面）	7B（模型卡）	未披露
训练算力	1 台 GB200 NVL72（72 块 GPU）	1,016 块 H100 GPU	未披露	未披露
训练音频	未披露	700 万小时无监督，2,000 小时 Fisher，20,000 小时合成	Fisher 英语，不足 10,000 小时	未披露
延迟	未披露（”快于实时”）	实测 200 ms，理论 160 ms	轮次切换 0.170 秒，打断 0.240 秒（FullDuplexBench）	模型页面未披露
权重与许可	未发布	开放，CC-BY 4.0	开放，NVIDIA Open Model License	闭源
运行环境	MacBook Pro M4 Max 或更高	GPU；提供 MLX、Candle 和 PyTorch 检查点	NVIDIA A100 / H100，Linux	OpenAI 云端
获取与价格	研究预览，候补名单	免费下载	免费下载（受限）	API，语音层每分钟 0.05 美元