Block 發表 Dessa：以語音直連語音的 AI 對話實驗

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-10-25

Block 發表名為 Dessa 的語音 AI 模型，聲稱模型由人類對話聲音從零訓練，採用「speech-to-speech」架構直接處理及生成語音。它的目標是令語音互動保留說話節奏、語氣和情緒訊號，而非先把聲音轉成文字再回覆。

不過，Dessa 現階段並非面向一般用戶的產品。團隊只表示會向一小批 AI 安全研究者提供早期存取；報道未提及公開試用、模型權重下載或技術文件的安排。因此，示範片段可以反映其研究方向，卻不足以證明模型在不同語言、環境或長時間對話下的穩定表現。

重點在於保留語音本身的資訊

現時不少語音 AI 的流程可概括為「語音轉文字、文字理解及生成、文字轉語音」。這種做法成熟且容易接入文字模型，但語速、停頓、猶豫、笑聲，以及可能反映情緒的聲線變化，往往會在中間被簡化。

Dessa 團隊把這視為限制：人與人交談不只交換字詞，也依靠節奏和情緒調整回應。若模型真的能直接在語音層面學習對話，理論上可更自然地掌握輪流說話的時機，並對語氣作出較貼近情境的反應。這對陪伴式互動、輔助工具及需要快速語音來回的介面尤其有吸引力。

但這也是難點所在。語音承載的訊號比文字多得多，模型要區分情緒、口音、背景噪音與說話習慣，並避免把不確定訊號誤判成情緒或意圖，並不容易。Block 公開的對話示例帶有自然停頓和較人性化的回應，但也有模型一開始把對方認成「Ronaldo」等突兀情況；這提醒人們，較像真人的聲音表達不等於理解必然更準確。

Dessa 網站稱，模型可在配備 M4 Max 或更高階處理器的 MacBook Pro 本機運行。對開發者而言，若實際應用能在裝置上完成語音處理，便有機會減少每次對話都要把音訊送往雲端的需要，也可讓延遲和資料處理方式有更多自行設計空間。

不過，這只是由「可本機運行」延伸出的潛在好處，而非已公布的私隱承諾。Block 未在報道所載資料中交代模型規模、訓練資料細節、支援語言、資料是否及如何上傳，或實際運行所需的完整硬件條件。對關注粵語及多語語音互動的開發者來說，最關鍵的辨識和生成質素目前同樣未有答案。

團隊將研發理由概括為好奇心、改善人類與 AI 的理解，以及安全；其論點是語音 AI 若未能察覺使用者正處於痛苦或壓力狀態，可能作出不合情境的回應。這是一個合理的研究方向，但情緒辨識亦涉及誤判風險，日後需要看研究者能否檢驗模型在不同人群及情境下的表現。

下一步值得觀察的是，早期安全研究者會否公開更完整的測試方法與限制，以及 Block 是否交代語言支援、資料處理和對外開放計劃。這些資訊將決定 Dessa 是一段令人耳目一新的語音示範，還是可被開發者可靠採用的互動模型。