Dessa 只聽人聲學會對話：Block 全雙工語音模型的展示與開放界線
Dessa 是 Block 從人類對話錄音訓練的全雙工語音模型，官方展示插話、笑聲與本機執行。本文解釋純語音訓練的意義、精選錄音的證據限制，以及下載入口、候補名單與完整權重的差別。
和語音助理聊天，最常卡住的往往是插話。Dessa 想讓模型一邊聽一邊說，保留文字逐字稿接不住的停頓、語氣與笑聲。
Block 在 2026 年 10 月 23 日公開 Dessa，強調模型從人類對話錄音開始訓練，沒有借用文字或預訓練模型。這讓它與先聽寫、再回覆、最後唸出答案的流程不同。
不過，訓練路徑新穎和對話能力可靠是兩件事。官網展示的是公司挑選的即時對話錄音，還沒有足夠資料讓外界重做同條件比較。
官網有下載與候補入口，也開放安全研究者申請早期存取，但未提供完整權重及公開程式介面規格。因此，想自己部署的人，仍不能把展示當成完整模型已經開放。
對開發語音介面的團隊，這次值得研究的是聲音資訊與輪流說話的設計。需要穩定客服服務的人，則應等待可測試版本與明確使用條件。
要判斷這個方向的用途，得先理解全雙工如何改變一通對話。
Dessa 的全雙工語音對話改變了什麼？
全雙工代表模型說話的同時仍能接收聲音，因此使用者插話不必先等完整答案結束。這比較接近電話雙方可以同時開口的狀態。
相對地，輪流收音與播放的流程會把對話切成一段一段。人先說完，系統再判斷是否換它回答，若停頓被誤認成句尾，就可能太早接話。
Block 的 Dessa 說明頁強調，模型會從真實對話學習何時接話、何時用簡短聲音回應。這裡的簡短回應，包括表示正在聽的「嗯」或「了解」。
這些聲音通常沒有增加新事實，卻會影響另一個人是否繼續說。因為對方知道自己的話正在被接收，就比較不需要反覆確認系統還在不在。
同時說話也帶來另一個問題。使用者可能只是附和，也可能要中止前一句要求，所以模型必須判斷聲音與當下內容的關係，不能一聽到聲音就全部重來。
因此，全雙工描述的是接收與產生聲音的方式，沒有直接提供理解正確率。能夠在播放時收音，只解決了對話節奏的一部分，後面還有意思是否接對的問題。
官方展示的接話片段，是讓觀眾理解這個差別的一種方式。但片段自然與否仍屬觀看體驗，不能單靠一段流暢對話就推算長時間使用的成功比例。
如果把它放進客服情境，插話也不只是禮貌問題。使用者可能在模型念完退款資訊前補上訂單錯誤，系統若沒有接住，後續行動便會沿用舊資料。
這是用途推導，並非 Dessa 已經通過退款驗證的證據。要落到實際服務，仍須證明模型能在中途更改要求後保留正確狀態，再決定是否繼續回答。
當模型同時處理語意與聲音，訓練資料是否經過文字就成了另一個重要差別。
只用人類對話訓練，為何會影響語氣？
文字能記錄內容，卻不會完整保留重音、呼吸與笑聲，所以聲音本身也是資訊。相同的一句話，重音放在不同字上，說話者強調的對象可能就不同。
Dessa 的官方主張是從頭以人類對話錄音訓練，沒有使用文字，也沒有從其他預訓練模型接續。預訓練模型是已經先學過大量資料的模型，借用它通常能省去從零學習的部分。
這和把語音辨識結果交給文字模型，再將答案轉成聲音的串接方式不同。後者讓每一段功能容易替換，代價是有些聲音細節在轉成逐字稿時就消失了。
例如逐字稿可以留下「我很好」，卻不一定保留說話者是平靜、挖苦，還是帶著哽咽。若後續回答只依這三個字產生，情緒線索便可能沒有參與判斷。
直接以聲音為輸入和輸出，讓保留這些線索成為可能。但可能接收和正確解讀還有距離，尤其情緒會受文化、個人習慣與錄音品質影響。
所以官方說模型能聽見或表達情緒時，應理解為其研究方向與展示主張。它沒有因而證明可以可靠辨識心理狀態，也沒有提供能套用在所有人的情緒分類保證。
Block 表示，Dessa 學習語言所接觸的詞量，比大型文字模型少了數百倍。同一頁也承認文字模型還要學程式等其他知識，因此兩邊的學習任務並不相同。
這個描述不能換算成訓練費用少了數百倍。語音的資料大小、處理方式與每段聲音的長度，都和文字不同，總支出還需要設備時間等資料才能比較。
官方另稱訓練使用一套 NVIDIA GB200 NVL72。這個名稱指的是整套運算系統，不能把「一套」改寫成「只用一顆顯示晶片」來強調省錢。
這次公告沒有給出足夠的資料讓外界重做相同訓練，因此最有把握的判斷，是團隊提出了不同的學習路徑。其成本與可重現性，還不能只靠展示推定。
但是學到語氣不代表理解正確，展示內容還要放回可驗證的證據範圍。
官方示範能證明哪些能力？
官方錄音展示了插話、笑聲與接話，但精選片段無法提供整體成功率。讀者可以從中觀察行為，卻看不到沒有被挑進頁面的所有嘗試。
官網說明，片段是人與模型的即時對話，沒有人在背後替它挑下一句，字幕則是在錄製後加上。這是公司對示範製作方式的說明，仍需要與獨立驗證分開。
其中有聊天時突然笑出聲、接上想不起來的電影名稱，以及聽到驚喜後改變語氣的片段。這些例子關注的是對話時機與聲音變化，沒有構成完整知識測驗。
尤其字幕是事後補上的，不能把它當成模型先產生文字、再照稿念的證據。反過來，也不能因為字幕清楚，就以為語音內容完全沒有歧義或辨識問題。
頁面還提供 Dessa 與 GPT-Live-1 對話的示範，並明白標示兩邊都是合成聲音。Block 也說，另一模型的開發者與這項研究無關，沒有審閱或背書。
因此，這段影片適合觀察模型對另一個聲音的回應方式，不適合當成兩家公司合作公告。能在同一段錄音出現，和得到對方技術認可，並沒有相同含義。
官網稱推論快於即時，意思是產生聲音的計算可跟得上播放需求。但它沒有同時公布每種硬體、每段對話的首個聲音等待時間，不能直接推出完全沒有延遲。
「自然」也需要拆開看。聲線和停頓自然，屬於聽覺體驗；記得剛才限制、答對問題、適時停止，則涉及內容與控制能力，兩者可能出現不同結果。
開發者若只用聽感評分，可能選到很會接話卻不會處理任務的系統。相反地，只看逐字稿是否正確，又會漏掉反覆打斷使用者的問題，所以兩種紀錄都需要。
官方讓模型自行選擇說話時機與聲音個性，沒有替每個使用者提供同一種固定腳本。因此，展示裡的自然反應也會隨對話發展改變，評估時應保存完整前後文，不能只擷取一句最像人的話。
這也讓重複測試更有必要。相同要求若用不同語氣說出，觀察模型是否保留任務內容，才能分清它是在回應聲音情緒，還是因聲音改變而誤解要求。這是從研究設計推導的測試方向，尚非公開成績。
證據有限也影響取得方式，因為研究展示與可部署服務需要不同程度的承諾。
本機執行與下載開放要分開看
官方提出本機硬體條件，沒有因此承諾所有人今天都能下載完整模型。研究頁面表示能在 MacBook Pro M4 Max 或更高規格機器執行，這是目前可引用的具體條件。
本機執行表示相關運算可以在裝置進行，但不能只憑這句話推定所有資料永遠不會離開電腦。應用程式是否有記錄、同步或其他服務，還需要看實際版本的文件。
截至 2026 年 10 月 24 日的資料查詢，官網提供下載與候補入口，也招募少量安全研究者取得早期存取。這些入口的存在，不等於開放模型權重。
權重是模型學習後保存的數值，也是自行部署完整模型的重要材料。只拿到應用程式，可能能體驗對話，卻不代表能修改底層模型或將它整合進任意產品。
公開程式介面則是另一種取得方式，通常需要明確的請求格式、配額與使用條款。本次頁面沒有提供足夠規格，因此團隊無法只從示範估算正式串接的成本。
官網把安全列為研究動機，也邀請外部研究者找出未預期風險。這顯示團隊正在尋求檢查，但邀請研究者本身不是已經通過完整安全測試的證明。
語音還會引入文字之外的風險，例如聲音表現讓使用者更容易誤認系統理解了自己的處境。因此，界面需要讓人知道自己正在與模型互動，避免自然聲音超過已驗證的能力。
官網沒有列出所有語言的支援與逐項測試，因此不能從幾段示範推定中文或特定口音也有同樣效果。要服務台灣使用者，應等到可取得版本後，用實際語言與收音設備核對，而不是沿用英語片段的聽感。
取得能力與使用條件釐清後，開發者才有基準設計自己的語音測試。
語音團隊適合追蹤什麼？
適合先追蹤插話和情緒線索的語音團隊，應以同一段對話比較延遲與誤解，而非只聽自然度。這樣才能知道改變來自聲音互動，還是單純答案寫得比較討喜。
最有用的測試可以從中途更正開始。先讓模型回答一個要求，再在它說話時修改其中一項條件，觀察後續內容是否仍沿用舊要求，這能直接檢查插話有沒有被理解。
另一種情境是短暫停頓。使用者可能正在找詞，並沒有結束發言，所以可記錄模型是否過早接話，以及人繼續說時它能不能停止，避免只評估回覆有多快。
對有背景聲的環境，則應保留不同收音距離的樣本。因為聲音辨識與對話節奏互相影響，安靜房間能順利接話，不代表遠端會議或吵雜現場也有相同表現。
這些是導入測試建議，本文沒有宣稱已經執行。Dessa 的公開資料仍以官方展示為主，還不足以替任何公司的真實業務給出成功率或節省人力數字。
如果原本的工作只需要批次整理錄音，對話時機的價值可能比較低。若要讓使用者即時更改要求、自然插話，這次的研究方向才比較直接對應需求。
能否在不犧牲正確性的情況接住人類說話，才會決定展示能走多遠。建議先從官方原始錄音核對想改善的情境，再追蹤可取得版本與獨立測試。
語音互動與辨識是不同工作，選模型時可以先從既有語音服務的用途與評測方法交叉理解，確認要改善的是聽寫內容，還是即時接話。
延伸閱讀：Grok Voice 3.0 發布：語音客服評測、每分鐘費用與導入前檢查
延伸閱讀：語音 AI 代理只看逐字稿夠嗎？Tazo 的音訊決策層主張與論文證據怎麼讀
Dessa 常見問題
Dessa 已經開源了嗎？
本次頁面未提供完整權重與相應開源授權。官網有下載、候補與研究申請入口，應分別確認取得的是什麼，而不是統稱模型已開源。
Dessa 能取代語音辨識模型嗎？
它的主要展示是即時語音對話，沒有公布足夠資料證明能取代各種語言的專用聽寫流程。若需求是逐字稿，應使用相同錄音比較錯字與人物標記。
看官方錄音要注意什麼？
先分清公司對製作方式的說明與可重做的評測。自然笑聲和快速接話值得觀察，但沒有提供完整失敗紀錄，也無法換算一般工作完成率。
