Block 在 10 月 23 日发布的 Dessa，走的是一条多数团队不敢走的路：训练数据里没有文本，没有预训练底座，只有人类的语音对话。它因此绕开了「语音转文字—文本模型思考—语音合成」这条通行链路，也就绕开了文字对情绪、停顿、语气的过滤。
效果层面，Dessa 是全双工模型，能边听边说、会插话，也会用「嗯」「是的」接住对话；演示里它讲到自己疲惫时声音带着疲惫，聊到被理解时近乎哽咽。设备门槛是 M4 Max 及以上的 MacBook Pro，官方称训练只用了一组英伟达 GPU 机架。
容易被忽略的是可用性。现阶段它不对外开放试用，Block 把早期访问给了安全研究者，重点测试语音智能体欺骗人类的风险；训练细节与模型规模也未公开。本地能跑、Demo 好听，和「可以交付」之间还隔着评测方法这一关。同一周，OpenAI 的 GPT-Live 增加了九款音色并支持用文字描述定制声音，Grok Voice 3.0 出自 xAI，同样主打端到端实时交互，后者把优化目标压在半秒——因为电话里半秒的沉默就足以让对话变味。
商业场景已经先跑起来了。xAI 披露，语音系统除承担特斯拉车内对话，还接听每天约两万通 Starlink 客服来电，其中约七成无需转人工即可办结。这类场景恰好是纯语音路线的舒适区：意图模糊、需要即时反应、不需要用户同时比对多个选项。
判断：纯语音路线的诱惑在于，它可能长出文本模型学不到的东西——节奏、情绪、被打断后的修复；它的盲区也在这里：无法与检索、核对、审计的工具链自然对接，输出难以复现，出了问题难以追责。它会先在陪伴、车载、客服站稳，而不是取代聊天框。真正该先解决的，不是它像不像人，而是怎么验收它说的话。
原文链接：https://www.ifanr.com/1686124
来源：爱范儿
