Block 发布 Dessa：不用文字中转的语音模型，像人得让人开始担心诈骗

一个 AI 说话，让人听不出是 AI。这在演示里叫「惊艳」，在电话里叫「糟糕，我分不清了」。

三个关键信息

Block 发布语音模型 Dessa，完全用人类语音训练，而不是用文本。 据 CoinDesk 报道，与「先把语音转成文字、再生成语音」的系统不同，Dessa 直接处理音频，并且能在说话的同时倾听，因此能接住打断、笑声和语气变化。Jack Dorsey 在 X 上写道：「和它聊天，感觉像在和人聊天……充满情绪、细微差别、停顿和自然的节奏。」

技术上它很轻：用一个英伟达 GB200 NVL72 系统从零训练，模型小到可以在搭载 M4 Max 或更好芯片的 MacBook Pro 上本地运行。 Block 表示，演示中的对话是现场录制、无人指挥模型应答。

目前它只是研究预览，不是公开产品。 Block 还没披露模型规模、基准测试成绩和发布日期；首批体验者是一小批 AI 安全研究人员。

王斗视角

先把「 technologically 厉害」和「社会意义上危险」分开说。Dessa 最值得称道的地方，恰恰是它最危险的地方：它不是「合成得像人」，它是真的在处理人的音频信号——打断、笑声、语气。技术上讲，这让对话变得自然；社会效果上讲，这让「电话那头是不是真人」这件事，彻底没法靠耳朵判断了。

Filmmaker Justine Bateman 那句话问得很锋利：「为什么 AI 的声音需要听起来像人？」她的答案是「这样就能骗人放松警惕」。这话不好听，但它是这次演示最诚实的注脚。一个模型的价值不在于它能骗人，而在于它让「被骗」这件事变得廉价到不需要任何技术门槛。

但也有一个角度值得给 Block 说句公道话：它把第一版先给了 AI 安全研究人员，而不是直接开放。这在行业里不常见——大多数公司是「先发，再想安全问题」。这个顺序值得记住，尽管它也可能只是「还没做好产品化」的体面说法。

真正的问题留在了机制层面。语音是最后一道「人类身份」的天然防伪，一旦它失守，社会要靠什么来验证「对面是人」？答案不会是「听得更像人」，只会是另一套机制——声纹、数字签名、可信身份层。而这些，现在都还没有。Dessa 不是危机的开始，它只是把这一天提前了。

来源：CoinDesk · Block Dessa