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的 AI 模型，完全没有使用任何文本数据，是从零开始构建的。Dessa 不先把音频转成文本，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。它可以在 MacBook Pro M4 Max 上本地运行，并且是在单台 NVIDIA GB200 NVL72 上训练的。Block 表示，构建 Dessa 的动机来自好奇心、对更好的人机交流的渴望，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 尚未公开可用。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。任何感兴趣的人都可以通过表单报名。
此前在情感语音 AI 上的尝试都未能持续
已有多个团队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 随后在 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在 2025 年 6 月对 ChatGPT 的“Advanced Voice Mode”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，以及更逼真的共情和讽刺表达。
但听起来有情感，并不等同于真的有情感或有智能，即使它会造成这种印象。对于先进的语音 AI 来说，诸如在回应时进行推理这样的能力，比声音听起来有多自然更重要，因为它们才真正影响回答的质量。
没有炒作的 AI 资讯——由人类精选
订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻简报、每年六期的独家“AI Radar”前沿报告、完整档案访问权限，以及评论区访问权限。