Block 发布语音模型 Dessa，完全用人类语音训练以捕捉文本模型遗漏的情绪
Block's new AI model Dessa was trained entirely on human speech to catch emotions text-based models miss
AI 导读
Block 发布语音模型 Dessa，称其完全用人类语音训练、不含任何文本数据，从零构建。
摘要与补充说明
Dessa 不先把音频转成文本，而是直接处理语音，可实时捕捉情绪、讽刺、笑声和停顿，并支持全双工，能边听边说。该模型可在 MacBook Pro M4 Max 上本地运行，训练使用单台 NVIDIA GB200 NVL72。Block 表示做 Dessa 出于对更好人机沟通的追求和对现有语音 AI 忽略情绪线索的安全担忧。Dessa 尚未公开，团队先招募 AI 安全研究者测试意外风险，感兴趣者可通过表单报名。
正文· AI 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、不含任何文本数据、从零构建的 AI 模型。Dessa 不先将音频转换为文本，而是直接将语音作为音频处理。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，并使用单台 NVIDIA GB200 NVL72 完成训练。Block 表示，开发 Dessa 的动机源于好奇心、对更好的人机交流的追求以及对安全性的担忧，因为当前的语音 AI 会忽略情绪线索。Dessa 尚未公开发布。团队首先在寻找 AI 安全研究人员来测试该模型是否存在意外风险。感兴趣的人可以通过表单报名。
此前打造情感语音 AI 的尝试均未持续
多个团队曾尝试构建听起来情感丰富的语音 AI。2024 年 3 月，初创公司 Hume AI 推出了 EVI（Empathic Voice Interface），这是一款具备“情商”的语音 AI。Kyutai 随后于 2024 年 9 月推出了 Moshi。LAION 的 Open Empathic 项目自 2023 年底以来一直致力于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”进行了全面改造，并在此后持续优化，加入了更好的语调、停顿，以及更逼真的共情与讽刺表达。
但听起来有情感并不等同于真正有情感或有智能，即使它能给人这种印象。对于先进的语音 AI 而言，边回答边推理这类能力比声音听起来多自然更重要，因为它们才真正影响回答的质量。
没有炒作的 AI 新闻——由人工精选
订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。