由杰克·多西（Jack Dorsey）拥有的 Block 公司通过其研究实验室宣布开发出了一款名为 Dessa 的全新语音模型。该模型的特点是能够在消费级设备上本地运行，并通过引入自然的停顿、叹息和情感表达，提供极度接近人类表达的语音语调，而无需采用传统的文本转语音处理路径。
Dessa 模型完全使用人类语音数据进行训练，仅使用了单机架的 NVIDIA 图形处理器（GPU）。它具备全双工（Full-Duplex）特性，允许其同时进行说话和倾听，并且其知识直接来源于对话数据，而不是绑定于专为信息检索而设计的大型语言模型中。
该公司解释称，现有的语音模型由于预先依赖文本处理来生成声音，且大多依靠音频标记来强加情感表达，因此听起来往往很不自然或令人厌烦。相比之下，Block 强调其模型的情感方面已内置于其基础架构中。研究人员发布了音频样本，展示了助手音调的变化以及根据疲劳或参与角色扮演互动等情感状态而发生的变化。
实际有什么改变？
Dessa 模型具备在消费级配置的个人电脑（例如配备 MacBook M4 Max 或更高配置的电脑）上本地运行的技术能力。这一发展为诸如 Block 旗下的 Square 等公司带来了潜在机遇，这些公司已经依赖语音人工智能来管理订单，而设备上的本地运行能够以更低的运营成本为用户启用互动体验，且无需复杂的云端基础设施。
限制与当前可用性
到目前为止，该公司尚未向公众发布 Dessa 模型，当前的举措仅限于邀请技术安全领域的的研究人员对模型进行测试并评估潜在风险，特别是与语音代理以可能用于欺骗个人的方式模拟人类能力相关的风险。