Block 发布 Dessa：仅用语音训练的全双工语音模型
内容提要
Block 发布全双工语音模型 Dessa，仅用人类对话音频训练，不依赖文本或预训练模型，支持语音输入输出，能学会插话、附和与笑声。训练仅用一台 GB200 NVL72 机架，远少于 Moshi 的 1,016 块 H100，并可在 MacBook Pro M4 Max 上本地快于实时运行。但尚无基准成绩、参数量、权重或论文，仅以候补名单研究预览形式开放。
延伸解读
纯语音训练路线的取舍
Dessa 完全跳过文本和预训练模型，直接学习对话音频中的情绪、笑声和附和。这种路线避免了传统语音识别加文本模型加语音合成串联造成的信息丢失，但代价是模型架构未公开，且缺乏文本先验可能影响语义理解的广度。Block 称其学习语言所需词汇量比 LLM 少数百倍，但这一说法尚无独立验证。
算力效率对比需谨慎看待
Block 强调 Dessa 仅用一台 GB200 NVL72 机架（72 块 GPU）训练，而 Moshi 用了 1,016 块 H100。但两者训练数据量、模型参数量和任务目标均不同，直接比较 GPU 数量并不能完全反映效率高低。Dessa 未披露训练音频时长和参数量，因此这一对比目前只能作为参考，而非严格结论。
本地运行是亮点，但生态尚不完整
Dessa 可在 MacBook Pro M4 Max 上本地快于实时运行，这对隐私敏感或离线场景有吸引力。然而 Block 未发布权重、论文、API 或定价，仅以候补名单研究预览形式开放。与 Moshi 和 PersonaPlex 的开放权重相比，Dessa 目前无法被开发者自由下载和评估，实际可用性有限。
演示效果不等于基准成绩
演示片段展示了 Dessa 的插话、附和、句中笑声和音量调节能力，Block 称演示未经人为引导。但文章明确指出其公开基准测试得分为零，且没有参数量、延迟等关键指标。在缺乏可复现评测的情况下，读者应将这些演示视为能力展示，而非性能证明。
Q&A
Dessa 是什么？它和普通语音助手有什么不同？
Dessa 是 Block 发布的语音到语音全双工模型，可以同时听和说。与大多数语音智能体采用“语音识别+文本模型+语音合成”的文本优先技术栈不同，Dessa 仅用人类对话音频训练，不依赖文本或预训练模型，能直接生成情绪、讽刺、笑声等语音信号。
Dessa 的训练用了多少算力？和 Moshi 相比如何？
Block 仅用 1 台 NVIDIA GB200 NVL72 机架（72 块 GPU）训练 Dessa。相比之下，Kyutai 的 Moshi 使用了 1,016 块 H100 GPU。
Dessa 能在本地运行吗？需要什么硬件？
可以。Dessa 能在 MacBook Pro M4 Max 或更高配置上本地运行，且速度快于实时。
Dessa 目前公开了哪些信息？有基准测试成绩或模型权重吗？
目前 Dessa 仅以研究预览版形式开放，通过候补名单申请。Block 未发布任何基准测试成绩、参数量、模型权重、论文、API 或定价。公开的基准测试得分为零。
Dessa 在对话中能表现出哪些自然交互能力？
根据 Block 的演示，Dessa 能学会何时插话、用“嗯”“对”等简短附和回应，还会在句中发笑，被要求大声点时提高音量。Block 表示演示片段没有人为引导。
Dessa 与 Moshi、PersonaPlex、GPT-Live-1 的主要区别是什么？
Dessa 仅用语音训练、无文本或预训练模型，训练算力为 1 台 GB200 NVL72，未公开参数量，未发布权重，通过候补名单获取。Moshi 基于文本语言模型骨干，参数量 8B，使用 1,016 块 H100 训练，开放权重（CC-BY 4.0）。PersonaPlex-7B-v1 参数量 7B，从 Moshi 权重微调，开放权重。GPT-Live-1 闭源，通过 OpenAI 云端 API 提供，语音层每分钟 0.05 美元。
