杰克·多尔西旗下的Block公司近日发布了一款名为Dessa的语音模型，主打本地运行与高度拟人的听感。据官方介绍，Dessa能够模拟笑声、停顿、哽咽等情绪表达，且完全基于人类语音数据训练，整个训练过程仅使用了一组英伟达GPU机架。

在架构上，Dessa属于全双工模型，可在说话的同时持续接收用户语音，这一点与OpenAI今年早些时候发布的GPT-Live类似。与主流语音模型通常需要搭配大语言模型调取知识不同，Block称Dessa自身的知识来源于其训练所用的对话数据。

Block将现有语音AI体验生硬、违和的原因归结于生成链路：语音先被转成文本，再由文本驱动语音合成，大量文字无法承载的信息在此过程中丢失。ElevenLabs v4、Fish Audio Drama 3等模型依靠语音标签控制情绪，而Block宣称Dessa的情绪表达是模型原生内置的，不过其底层是否仍依赖某种标签调控情绪，目前尚不清楚。

Block在博客中直言，当前语音AI交互体验糟糕，即便是全球最强的AI也听不出用户情绪，这不仅体验差，还存在潜在风险。研究团队同步放出了多段对话样例，展示该智能体切换音色、语速与情绪的能力，例如在谈到工作疲惫时，AI的发声状态会随之变化。