Block 發表全雙工語音模型 Dessa：本機對話更自然，亦放大聲音冒認風險
Block 旗下研究團隊發表語音模型 Dessa，聲稱可在 MacBook M4 Max 或更高規格的消費級電腦本機運行，並以全雙工方式同時聆聽及說話。公司展示的對話中，模型會以停頓、笑聲、疲憊或近乎哽咽的語氣回應，試圖讓語音互動更接近真人。
不過，Dessa 目前未向公眾提供，效能主要來自公司示範與說法；Block 亦正招募安全研究人員測試。其粵語、繁體中文表現、實際延遲，以及長時間本機運行對硬件與耗電的要求，暫未有公開資料。
核心差異在於語音有否先變成文字
Block 指出，這種文字中介會丟失單靠文字難以保留的訊號，例如語速、猶豫、停頓、笑聲和情緒。
Dessa 則被描述為 speech-to-speech 模型，並採全雙工設計。這代表它理論上可在對方說話期間繼續聆聽和回應，而不必把互動完全切成「說完一句、等待處理、再播放答案」的回合。對話中的打斷、附和和情緒節奏因而較容易自然；但這不等於模型已具備更可靠的知識或判斷力。Block 說，Dessa 的知識來自其對話資料，而一般語音模型常配合 LLM 作知識檢索，兩者的能力邊界仍要分開看。
本機運行的吸引力與限制
若模型真的能在裝置端處理語音，對話音訊毋須每次上傳雲端，對涉及客戶資料、訂單或內部溝通的場景有私隱優勢，也可能減少網絡來回造成的等待。Block 本身從事金融及小商戶方案，旗下 Square 已使用語音 AI 處理點餐；報道認為，自家模型若能在裝置端運行，或可擴展更多商戶及消費者體驗並降低成本。
然而，「可在 MacBook M4 Max 或更高規格運行」只是入門線索，未交代所需記憶體、可支援的對話長度、同時使用人數或實際反應時間。對小商戶而言，能否省下雲端成本，仍取決於硬件投資、部署與維護負擔；而且本機處理可減少資料外傳，不代表裝置本身沒有資料保安風險。
真人感亦令聲音不再適合單獨驗身
Block 招募安全研究人員，反映其逼真語音可能被用於誤導通話另一端的人。當系統能即時聆聽、插話並模仿情緒節奏，社交工程電話可較錄音式詐騙更有互動感。這是合理推論，並非已證實 Dessa 被濫用；但對銀行、商戶客服和個人用戶而言，聲音作為身份線索的可信度會進一步下降。
機構應避免把「聽起來像本人」當成唯一驗證依據，涉及付款、帳戶或敏感資料的指示，宜以 app 內確認、一次性驗證或其他獨立渠道覆核。用戶接到催促付款或索取資料的來電，也應主動改以已知聯絡方式回撥確認。
Dessa 下一步值得觀察的，是安全測試結果、公開使用條件與多語言表現。若它能在本機維持低延遲並妥善限制冒認用途，語音客服與小商戶互動或會是較早受影響的場景；反之，逼真聲線帶來的信任成本亦會一同上升。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
- TechCrunch — Block’s new voice model sounds eerily human — original report
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
