不认字的 AI，却很会说话

打客服电话，对面先「嗯」了一声，等你把订单号说完才接话。这半秒的应答，比它答得对不对更能决定你要不要挂断。

语音模型这两年比的不是谁更懂语言，是谁更懂什么时候该出声。最近被讨论最多的一个实验，干脆把文字从训练里拿掉了。

一、发生了什么

Block 是 Jack Dorsey 的公司，Square 和 Cash App 都在它名下。10 月 23 日，它内部的小型 AI 实验室放出一个叫 Dessa 的语音模型，定性是研究预览，不是能买的产品。

这个模型从零开始，只用人类的对话录音训练，没有喂文本，也没有拿现成的预训练模型打底。输入是声音，输出也是声音。

它是全双工的：一边听一边说，会插话，会用「嗯」「明白」这类短词接住对方，也会在句子中间笑出来。

团队很小，六名研究员加几个实习生，直接向 Dorsey 汇报，负责人此前创办的同名公司 2020 年被 Block 收购。训练在一台 NVIDIA GB200 NVL72 机架上完成。官方称它掌握语言所用的词量比大模型少数百倍，推理快于实时，能在 M4 Max 的 MacBook Pro 上本地跑。

开放程度有限。只有一小批 AI 安全研究者拿到早期访问，其余人排等待名单。没有权重、没有接口、没有论文、没有模型规模，也没有基准分数。

同一时期，主流厂商走的是另一条路。10 月中旬 OpenAI 更新 GPT-Live，在接口里加了九款音色，还能用一句话描述来定制声音；xAI 上了 Grok Voice 3.0，同样主打端到端实时。xAI 披露，Starlink 每天约两万通客服来电由这套系统承接，其中约七成不用转人工。

二、跟你有什么关系

如果你在做客服或外呼。 决定体验的是那半秒，但决定能不能上线的是可追溯性。传统链路中间有一层文字，可以记录、可以过审、可以回放；纯语音链路少了这层，出了问题不好查。

如果你在做端侧产品。 能在笔记本上本地跑，意味着离线、隐私敏感的场景有想象空间。但没有第三方分数，别把它写进方案当成指标。

如果你只是用户。 未来一年你更可能先碰到「半语音」产品：语音进出，中间仍然过一遍文字。

三、怎么判断一个语音模型是不是真会说话

读到这儿，可以顺路看 怎么盯住比你强的模型？给它装一个倒带键 读完能理解弱审核者如何核验强 AI 的计算结果：新提出的可倒带交互证明允许验证器把模型回退到任意状态重来，效率高、不依赖密码学，关心 AI 安全机制的人值得一看。

打断它。看它是停下，还是坚持把准备好的那段念完。
查榜单。Artificial Analysis 这类独立榜单收录了 Grok Voice 3.0、GPT-Live-1 的响应时延和轮次表现，Dessa 不在上面。
问中间有没有文字。有文字的更可控，没文字的更自然，这是取舍，不是先进与落后。

四、三个别信的说法

「纯语音训练已经被证明强过文本路线。」 目前公开的只有官方放出的十几段对话录音，部分媒体听完的评价是「有时自然，有时诡异」，其中一段还把对话者叫成了别人的名字。没有独立评测，就谈不上证明。

「能本地跑就等于能商用。」 本地能跑说明推理成本可控，但商用还要许可证、定价、并发和故障处理，这几项官方一项都没公布。

「这是语音的 GPT-3 时刻。」 这句话是实验室负责人自己在社交平台上说的，属于团队自评。第三方能给的最多是「演示做得异常好的研究成果」。

五、一句话结论

声音里确实有文字装不下的东西，但「装不下」和「被证明有用」之间，还隔着一整套评测。

信息来源

2026 年 10 月 31 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 31 日。