Block представила Dessa — голосовую модель, обученную только на человеческой речи. Без текстовых данных и готовых предобученных моделей. Она принимает аудио напрямую, слушает и говорит одновременно. По заявлению компании, модель запускается локально на MacBook Pro M4 Max. Публичного доступа пока нет.
Dessa пытается считывать эмоции, сарказм, смех и паузы прямо из аудио. В демо она звучит живо, но это ещё не значит, что хорошо понимает собеседника. С обычными ошибками понимания модель тоже сталкивается.
Dessa работает с голосом без промежуточного текста
Во многих голосовых системах разговор сначала превращается в текст. Потом языковая модель готовит ответ, а отдельная модель озвучивает его. В расшифровке теряются темп речи, интонация и часть эмоциональных сигналов. Block считает, что поэтому голосовым помощникам сложнее распознавать настроение собеседника.
| Подход | Что происходит с аудио | Что заявлено о голосе |
|---|---|---|
| Типичный текстовый конвейер | Речь переводится в текст, затем ответ озвучивается | Интонация и эмоции могут теряться при преобразовании |
| Dessa | Модель обрабатывает речь напрямую | Улавливает эмоции, паузы, смех и сарказм |
Три отличия, которые важны для голосовых продуктов
- Обучение только на человеческой речи: в описании Block нет текстовых данных и готовых предобученных моделей.
- Аудио обрабатывается напрямую: модель не должна сначала превращать разговор в текст.
- Полный дуплекс и локальный запуск: Dessa может слушать и говорить одновременно, а компания заявляет работу на MacBook Pro M4 Max или мощнее.
По словам Block, модель учится реагировать на голосовые сигналы, а не просто произносить эмоционально окрашенный текст. Для создателей голосовых агентов это разные задачи: озвучить фразу с грустью — одно, распознать расстройство собеседника — другое.
Демо звучит живо, но путает Роналду с собеседником
В опубликованных примерах Dessa смеётся в подходящий момент, меняет громкость по просьбе собеседника и делает паузы. Но естественное звучание не гарантирует точности. The Verge описывает разговор, где модель поначалу принимает человека за Роналду. А в беседе о фильмах Кристофера Нолана внезапно переключается на фильмы Брайана Сингера о Супермене.
Есть и странный эпизод: на предложение отправиться в Париж модель отвечает голосом, который звучит почти растроганно. Эффектно — но выразительная подача ничего не доказывает о чувствах или понимании модели. The Decoder отдельно отмечает: сильной речевой модели важнее рассуждать во время ответа, чем просто звучать убедительно.
Block показывает и беседу Dessa с GPT-Live-1. Компания утверждает, что её модель в этом примере звучит естественнее. Но это демо от самой Block, не независимый сравнительный тест. В описании нет общих условий, набора заданий или измерений.
Для креатора это пока ориентир, а не готовый инструмент
Сейчас Dessa нельзя встроить в проект или проверить на своём сценарии. Пока это скорее направление, за которым стоит следить. Если подбираете голосовую модель для персонажа, озвучки или клиентского агента, проверьте, как она ведёт себя в разговоре. Тембр — лишь часть дела.
- Проверьте, различает ли модель нейтральные, ироничные и раздражённые реплики или просто меняет тембр по команде.
- Послушайте, как она реагирует на паузы, смех, перебивания и короткие ответы вроде «угу».
- Проверьте, удерживает ли модель тему. Уверенная интонация может скрывать неверный ответ.
- Для локального продукта уточните, где обрабатывается аудио и что происходит с записью разговора.
Последний пункт особенно важен. Локальный запуск может снизить задержку и пригодиться для приватности, но ничего не говорит о хранении аудио, доступе к данным и безопасности. Block пишет, что учитывала безопасность при разработке Dessa. Сначала компания ищет специалистов по AI-безопасности, чтобы проверить неожиданные риски.
До публичного доступа остаются главные вопросы
На 24 октября 2026 года Dessa закрыта для широкой публики. Block предлагает оставить заявку и планирует ранний доступ для небольшой группы исследователей безопасности. По данным Dealroom, компания пока не опубликовала число параметров, API, веса модели, цены или результаты бенчмарков.
Локальный запуск на MacBook Pro M4 Max пока не означает, что модель можно скачать и установить. Block также заявляет, что обучала её на системе NVIDIA GB200 NVL72. Но подробностей о модели и доступе пока недостаточно, чтобы повторить запуск самостоятельно.
«Мы считаем, что голос — самый естественный способ взаимодействовать с интеллектом», — пишет Block. Пока это описание замысла, а не доказательство того, что модель понимает человека.
В голосовых проектах давно хочется такого эффекта: чтобы агент слышал слова и улавливал, как их сказали. Думаю, за Dessa стоит следить, но одного выразительного демо мало. Короче, голос может стать живее раньше, чем разговор — умнее.
Источники
Dessa — the Conversation Model trained only on speech
Jack Dorsey’s Block made an AI model that talks to you like an awkward new friend
Block’s new voice model sounds eerily human
Jack Dorsey's Block unveils Dessa, a full-duplex voice AI trained only on human speech
Источникthe-decoder.com
