Block 的 Dessa 语音模型为本地 AI 对话注入近似人类的情感

目录

• 你可能会想知道
• Block 的 Dessa 语音模型
• 重点摘要表
• 后续展望……

你可能会想知道

• Block 的 Dessa 模型如何让与语音 AI 的对话听起来更自然？
• 随着模型持续开发，安全性与使用权限方面还有哪些问题尚待解答？

Block 的 Dessa 语音模型

由 Jack Dorsey 领导的公司 Block 推出了一款由其研究实验室开发的语音模型，名为 Dessa。该模型设计为可在本地运行，据该公司称，它生成的语音听起来格外像真人。它的表达特色包括笑声、停顿和哭泣，这些功能或许能让 AI 语音听起来更像对话对象，而非传统的文字转语音系统。

Block 表示，Dessa 完全以人类语音和单台 NVIDIA GPU 机架训练而成。这项说明突显了模型的训练方式，以及开发时使用的硬件。该公司尚未宣布开放公众使用 Dessa，因此外部用户目前无法直接评估其性能。关于这套系统能力的现有信息，因而仅限于该公司的说法与演示内容。

Dessa 被描述为全双工模型。实际来说，这意味着它能同时聆听和说话，而不必严格轮流交谈，也就是必须等一方说完，系统才能回应。原文将这项能力与 OpenAI 今年早些时候推出的 GPT-Live 模型相提并论。同时聆听和说话或许能带来更即时的互动体验，不过实际感受仍取决于系统如何处理打断、对话时机和语境。

许多语音系统会搭配大型语言模型，以检索信息，或根据更广泛的知识库生成回应。Block 表示，Dessa 的知识来自它所拥有的对话数据。这项差异很重要：语音模型自然说话的能力，并不等同于准确回答问题的能力。系统或许能呈现语气与对话流畅度，但仍取决于它可获取的信息与具备的能力。

Block 认为，现有语音 AI 可能听起来不自然或令人厌烦，因为在驱动语音生成的流程中加入了文字。许多系统会先生成书面回应，再将其转换为语音。这种流程或许能保留文字内容，却可能失去通过语速、语气及其他声音线索传达的部分含义。该公司的核心观点是，语音不只是把文字读出来：一个人说话的方式能传达单靠文字无法表达的信息。

包括 ElevenLabs v4 和 Fish Audio Drama 3 在内的一些模型，会使用语音标签来引导情绪表达。Block 则声称情绪是内置于 Dessa 之中的。不过，根据目前可获得的信息，尚不清楚模型的情绪特质是否受到某种标签或其他引导机制影响。这项差异尚未得到完整说明，因此应将公司的说法视为对其设计方式的描述，而不是对情绪如何生成的完整说明。

Block 在一篇博客文章中谈到对语音 AI 互动的顾虑：“和目前的语音 AI 互动，真的可能糟透了。它会把你的语音转成文字，丢掉大量单靠文字无法承载的信息。世界上最强大的 AI 也听不出你的感受。我们认为这很荒谬，会导致更糟的体验，而且可能很危险。”这番论述将情绪与语音语境置于核心，作为该公司开发不同类型语音系统的理由。

Block 的研究人员发布了几段与 Dessa 对话的示例。在这些演示中，代理使用了不同的声音、语调和情绪。其中一个示例里，机器人说自己工作累了；此时，它的声音也听起来很疲惫。另一个示例则展示机器人谈到某个人让它感到自在，语气听起来情绪激动，几乎要崩溃。还有一个示例呈现 Block 团队成员和语音助手玩游戏。这些片段旨在展示模型能呈现的各种对话行为，但仅凭演示，还无法证明系统在日常情境中都能稳定运行。

Block 表示，Dessa 可在 MacBook M4 Max 或更高规格等消费级电脑上本地运行。本地执行可能减少将每段语音互动发送至远程计算系统的需求。它也可能让语音功能更容易集成至产品与服务，但仍须考虑模型的硬件需求和实际部署细节。原文未提供性能、延迟或完整兼容设备范围的进一步规格。

尽管已有演示，Dessa 目前仍未开放公众使用。Block 改为呼吁安全研究人员测试该模型。其中一个可能的测试重点，是语音代理是否可能误导或欺骗对话另一端的人。近似人类的语音或许能让互动更轻松、更有表现力，但同样的特质也可能让听者更难察觉自己正在与 AI 对话。因此，测试系统是否会出现欺骗或令人困惑的行为，是负责任评估这项技术的关键。

这项顾虑与 Block 的业务尤其相关。该公司经营金融业务，并向小型企业销售解决方案。Square 已使用语音 AI 处理订单，让 Block 已具备语音客户互动方面的既有基础。专有且能在设备上运行的模型，可能支持更多商业与消费者体验，同时相比依赖外部计算的方案降低成本。这些是可能的战略优势，并非已确认的产品计划或量化的成本节省。

总体而言，Dessa 集结了几项目标：自然的语音、丰富的情绪表达、同时聆听和说话，以及在消费级硬件上本地运行。Block 将这些功能定位为对现有系统限制的回应；现有系统会把语音转成文字，再生成口语输出。然而，模型情绪控制的原理、知识范围、实际使用时的可靠性，以及如何防止滥用等重要问题仍待解答。目前，Dessa 仍是尚未开放公众使用的研究模型，而 Block 正寻求安全研究人员协助评估。

重点摘要表

后续展望……

Dessa 展示了一种未来可能性：语音界面或许能保留更多情绪与对话语境，而这些信息在语音被简化为文字时可能消失。这种做法能否改善日常互动，不只取决于语音听起来有多像真人，也取决于系统的准确性、透明度与安全防护。

Block 接下来的重要一步是进行评估。安全研究人员可以协助找出可能使用户困惑、产生不当信任，或被用来误导他人的情境。同时，进一步测试也能弄清模型在本地硬件上的运行表现，以及它在经过设计的演示之外，对话行为是否可靠。

如果 Block 能克服这些挑战，本地运行的语音 AI 可能适用于更多服务，包括小型企业工具和消费者应用程序。目前，Dessa 是一项前景可期但尚未开放公众使用的研究项目；只有通过更广泛的测试和负责任的部署，才能进一步了解它在真实世界中的价值。