Knowledge File / AI小生意项目库

2026-10-24 1 浏览免费阅读

Block 新 AI 模型 Dessa 完全基于人类语音训练，以捕捉文本模型遗漏的情绪

Q: 这篇文章和哪些AI专题相关？

它适合放在AI副业、AI工具专题里阅读。 关联原因：这篇内容命中「项目、小生意、变现」等主题信号。；这篇内容命中「模型」等主题信号。

Block 推出语音模型 Dessa，完全不使用文本数据、从零训练，直接处理音频以识别情绪、讽刺、笑声和停顿，并支持全双工交流；目前尚未公开，先面向 AI 安全研究者测试意外风险。

SOURCE / AI小生意项目库 MIN / 9 ACCESS / 免费阅读 POST / 2026-10-24 22:09:46

原贴

查看原文

作者：Matthias Bastian 来源站点：the-decoder.com 原贴时间： 2026-10-24 22:09:46

原文

Block, the company behind Square and Cash App, has unveiled an AI speech model called Dessa. Block says Dessa is the first AI model trained entirely on human speech, with no text data at all, built from scratch. Instead of converting audio to text first, Dessa processes speech directly as audio. That lets it pick up on emotions, sarcasm, laughter, and pauses in real time. The model supports full-duplex communication, so it can listen and talk at the same time. It runs locally on a MacBook Pro M4 Max and was trained on a single NVIDIA GB200 NVL72. Block says it built Dessa out of curiosity, a desire for better human-AI communication, and safety concerns, since current voice AI ignores emotional cues. Dessa isn't publicly available yet. The team is first looking for AI security researchers to test the model for unexpected risks. Anyone interested can sign up via a form . Ad Several teams have tried to build voice AI that sounds emotionally rich. In March 2024, the startup Hume AI launched EVI (Empathic Voice Interface) , a voice AI with "emotional intelligence." Kyutai followed in September 2024 with Moshi . LAION's Open Empathic project has been working since late 2023 on training empathetic speech synthesis models using an open-source audio dataset. OpenAI overhauled ChatGPT's "Advanced Voice Mode" in June 2025 and has continued refining it since then, adding better intonation, pausing, and more realistic expressions of empathy and sarcasm. Ad But sounding emotional isn't the same as being emotional or intelligent, even if it creates that impression. For advanced speech AI, capabilities like reasoning while responding matter more than how natural the voice sounds, because they actually affect the quality of the answer. Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section.

中文翻译

Square 和 Cash App 背后的公司 Block 发布了一款名为 Dessa 的 AI 语音模型。Block 表示，Dessa 是首个完全基于人类语音训练、完全不含文本数据、从零构建的 AI 模型。Dessa 不先把音频转成文本，而是直接把语音作为音频处理。这使它能够实时捕捉情绪、讽刺、笑声和停顿。该模型支持全双工通信，因此可以边听边说。它可在 MacBook Pro M4 Max 上本地运行，并在单台 NVIDIA GB200 NVL72 上完成训练。Block 表示，它构建 Dessa 是出于好奇心、对更好的人机沟通的渴望以及对安全性的担忧，因为当前语音 AI 会忽略情绪线索。Dessa 尚未公开可用。团队首先在寻找 AI 安全研究人员来测试该模型的意外风险。任何感兴趣的人可以通过表格报名。

已有多个团队尝试构建听起来情绪丰富的语音 AI。2024 年 3 月，初创公司 Hume AI 推出了 EVI（Empathic Voice Interface），一款具有“情商”的语音 AI。Kyutai 随后于 2024 年 9 月推出 Moshi。LAION 的 Open Empathic 项目自 2023 年底以来一直在使用开源音频数据集训练共情语音合成模型。OpenAI 于 2025 年 6 月对 ChatGPT 的“高级语音模式”进行了大改，并持续改进，加入更好的语调、停顿以及更真实的共情和讽刺表达。

但听起来有情绪并不等同于有情绪或有智能，即使它制造了这种印象。对于高级语音 AI，像在回答时进行推理这样的能力比声音听起来多自然更重要，因为它们实际影响答案质量。订阅 THE DECODER 可无广告阅读、每周 AI 新闻简报、每年六次的独家“AI Radar”前沿报告、完整档案访问以及评论区访问。

核心信息

Block 推出语音模型 Dessa，完全不使用文本数据、从零训练，直接处理音频以识别情绪、讽刺、笑声和停顿，并支持全双工交流；目前尚未公开，先面向 AI 安全研究者测试意外风险。

Block 推出语音模型 Dessa，完全不使用文本数据、从零训练，直接处理音频以识别情绪、讽刺、笑声和停顿，并支持全双工交流；目前尚未公开，先面向 AI 安全研究者测试意外风险。
原贴提到：Block, the company behind Square and Cash App, has unveiled an AI speech
来源：the-decoder.com

详细解读

这是什么信号

Block 推出 Dessa，关键不在“又一个语音模型”，而在训练路径：完全不使用文本数据、从零训练、直接处理音频。这代表语音 AI 的一种路线变化：不再把语音先转写成文本再理解，而是把情绪、讽刺、笑声、停顿等副语言信号当作一等信息。Dessa 支持全双工、可在 MacBook Pro M4 Max 本地运行、在单台 NVIDIA GB200 NVL72 上训练，这些信息共同指向“更实时、更端侧、更音频原生”的方向。

另一个信号是发布策略：Dessa 尚未公开可用，团队先找 AI 安全研究者测试意外风险。这说明 Block 把安全审查放在商业化之前，至少在当前阶段，它更像一个能力验证和安全评估项目，而不是成熟产品。

为什么重要

文本模型擅长语义，但会丢掉语气、停顿、笑声和讽刺。Dessa 直接处理音频，理论上能在对话当下捕捉这些线索，让语音交互更接近人类沟通。全双工意味着它可以边听边说，这是自然对话的基础能力；本地运行则意味着部分语音交互不必完全依赖云端。

但“听起来有情绪”不等于“有情绪或有智能”。原文也强调，高级语音 AI 更关键的是在回答时进行推理，因为这会实际影响答案质量。因此，Dessa 的价值不只在声音自然，而在能否把副语言信号转化为更好的理解、回应和决策。

对谁有价值

对语音助手、客服、陪伴式产品、教育交互、车载语音和无障碍工具的产品团队，Dessa 提示了一个新评估维度：除了转写准确率和回答质量，还要看模型能否识别情绪、讽刺、停顿和对话节奏。对 AI 安全与红队团队，它提供了一个值得提前测试的对象：情绪识别和全双工交互可能带来误判、操控、隐私和依赖风险。对模型与数据团队，它提示音频原生训练和音频数据治理可能成为差异化能力。

可以怎么行动

第一，建立“副语言信号”评估集：在现有语音产品测试中加入情绪、讽刺、犹豫、笑声、打断和长时间停顿等样本，观察模型是否真正改善理解。第二，区分“拟人感”和“任务效果”：不要只用听起来像不像人来验收，而要看情绪线索是否提升回答质量、转化率或用户信任。第三，提前做安全与合规评估：情绪识别涉及隐私、同意和潜在操纵，应在采集、训练和上线前明确边界。第四，关注可用性：Dessa 尚未公开，团队可先跟踪其安全测试进展和后续开放方式，而不是把未公开能力写进产品路线图。

风险或限制

Dessa 尚未公开可用，当前信息来自 Block 的自述，实际效果仍需第三方验证。情绪识别本身容易误判，不同文化、语言、个体表达差异会带来偏差；全双工和本地运行也不等于具备强推理能力。更现实的限制是：音频原生模型需要高质量音频数据和严格隐私治理，安全测试若不足，情绪线索可能被用于操控或误导。企业采用时应把“能否提升任务质量”和“是否可解释、可控、合规”放在同等位置。

信息差价值

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《Block 新 AI 模型 Dessa 完全基于人类语音训练，以捕捉文本模型遗漏的情绪》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

参考来源

Matthias Bastian 原帖

TOPIC HUBS

延伸专题

AI副业 AI副业：小生意、项目机会与可收费交付

这篇内容命中「项目、小生意、变现」等主题信号。

AI工具 AI工具：模型、插件、自动化与实战场景

这篇内容命中「模型」等主题信号。

AI SUMMARY

这篇文章回答了什么