AI早报深读 | Dessa：不经过文字的声音

Block 发布了纯语音模型 Dessa 的研究预览：只用人类语音训练，不经过文本，边听边说¹。

公司创始人多尔西在社交平台上写：和它说话的感觉像和人说话，充满情绪、细微差别、停顿和自然的节奏¹。

一、边听边说意味着什么

Dessa 能在说话的同时听，能处理打断、笑声和语气变化¹。演示里，它会在一句话中间笑起来，也会对突如其来的消息做出听起来很真实的情绪反应¹。

公司称这些对话是现场录音，没有人事先导演模型的回答¹。这个说法目前只是公司说法，演示音频不是独立测试。

二、不经过文本，差别在哪

常见的语音系统，是先把语音转成文字，再生成回答，最后把文字读出来。Dessa 不走这条路：它直接处理音频¹。

差别不只在链路长短。转成文字的那一步，会把声音里的很多东西过滤掉：停顿的长短、语气的变化、笑声的位置。直接处理音频，是把这些信息留在模型面前。

三、声音里的信息，指向哪种用途

Block 的说法是：语音 AI 未来可能更擅长识别情绪线索，比如痛苦与窘迫，而这些是文本转录会漏掉的¹。

这是公司的展望，不是已验证的效果。但它点出了一个方向：语音模型的价值，可能不在“说得像人”，而在“听得懂声音里文本装不下的那部分”。

Dessa 纯语音路线要点（唐龙君AI实验室制图）