杰克·多西（Jack Dorsey）这个技术偏执狂，又在颠覆传统 AI 的研发逻辑了。
就在今天，他治下的金融科技巨头 Block 旗下的 AI 研究实验室，毫无预兆地发布了一款颠覆性的全双工语音对话模型——Dessa 的研究预览版。
之所以说它颠覆，是因为它彻底把“文本”这个拐杖扔掉了。
市面上几乎所有的“语音 AI ”，本质上都是在玩三步跳：先听声音转成文字（ASR），再用文字大模型（LLM）想出答案，最后把文字转回语音（TTS）。这种拼凑起来的架构，不仅天生带着半秒以上的“尴尬延迟”，更抹杀了人类说话时丰富的语气、呼吸声和情绪起伏。
而 Dessa 是从零开始、完全基于人类的对话语音进行训练的。它不依赖任何现成的文本或预训练模型，不仅能同时“听和说”，更具备了打断、附和等接近真人的全双工实时交互能力。
项目负责人 Ragavan Thurairatnam 甚至按捺不住兴奋，直接将这一成果定义为“语音领域的 GPT-3 时刻”。
把 GB200 算力塞进 M4 笔记本的商业野心
除了“不转文字”的纯语音路线，Dessa 最让人背脊发凉的是它的工程优化能力。
这款模型的训练过程虽然极其奢侈地用上了一整套 NVIDIA GB200 NVL72 液冷机架，但它最终的运行门槛却低得离谱——官方透露，Dessa 已经可以在 MacBook Pro M4 Max 或更高配置的个人设备上，以“快于实时”的速度在本地直接跑起来。
这意味着它摆脱了对云端高昂算力和网络带宽的绝对依赖。
从商业逻辑来看，杰克·多西砸钱做这件事的真实动机，绝非只是为了在开源社区刷个存在感。Block 的核心版图是面向千万小微商家的移动支付与收银巨头 Square，以及面向C端钱包的 Cash App。
试想一下，如果把一个不需要联网、毫无延迟、带有真人情绪且能本地运行的语音 AI 塞进商家的 POS 机或者客服终端，现有的自动化零售和电话客服生态将被瞬间清洗。这和当年苹果坚持在 iPhone 本地塞进各种机器学习芯片、追求绝对隐私与即时响应的逻辑如出一辙。
繁荣背后的“红线”
目前，Dessa 并没有急于向公众全面开放，Block 只是公布了几段真假难辨的对话演示录音，并将早期访问权限严格限制在少数 AI 安全研究人员手中。
这种极度谨慎的克制，揭示了纯语音模型最大的阿喀琉斯之踵：当 AI 说话不仅声音像人，连呼吸节奏、犹豫时的“呃”、“啊”都完美复刻时，它将变成史上最恐怖的诈骗工具。
在过去一年里，利用短音频克隆声音进行熟人诈骗的案例屡见不鲜。而像 Dessa 这种具备即时全双工逻辑、能根据电话那头受害者的反应瞬间调整语气和话术的 AI 杀手，其潜在的社会安全风险甚至超过了文字领域的 GPT。
Block 这次宁可牺牲产品上线的速度，也要先把安全研究员请进场，显然是在极力避免踩到合规与舆论的红线。
语音交互的下半场已经开打，OpenAI 的 Advanced Voice 刚刚把用户吊足了胃口，多西的这一发纯语音冷枪，直接把战火从云端烧到了端侧的硬件里。
