Block 发布纯语音训练模型 Dessa，可实时识别情绪与讽刺

Block（Square 与 Cash App 的母公司）发布了一款名为 Dessa 的 AI 语音模型。Block 称 Dessa 是首个完全基于人类语音、不含任何文本数据、从零构建的 AI 模型。与先将音频转成文本再处理的常见做法不同，Dessa 直接把语音作为音频处理，因此能实时捕捉情绪、讽刺、笑声和停顿等副语言信息。 在交互能力上，Dessa 支持全双工通信，可以边听边说。运行层面，它能在 MacBook Pro M4 Max 上本地运行，训练则使用单台 NVIDIA GB200 NVL72。 Block 表示开发 Dessa 的动因包括好奇心、改善人机沟通的意愿，以及对现有语音 AI 忽略情绪线索的安全担忧。目前 Dessa 尚未公开，团队正优先寻找 AI 安全研究人员测试模型的意外风险，感兴趣者可通过表单报名。 文章还回顾了此前的情绪语音 AI 尝试：2024 年 3 月 Hume AI 推出 EVI，2024 年 9 月 Kyutai 推出 Moshi，LAION 的 Open Empathic 项目自 2023 年底起用开源音频数据集训练共情语音合成模型，OpenAI 则在 2025 年 6 月改进了 ChatGPT 的 Advanced Voice Mode。文章同时指出，听起来有情绪并不等于具备情绪或智能，对高级语音 AI 而言，边回应边推理的能力比声音自然度更影响回答质量。