Block 发布首款纯音频训练全双工语音 AI 模型 Dessa，去掉文本链路实现高拟人实时对话

Block 推出的 Dessa 是全球首款全程只用纯音频数据完成训练的全双工语音 AI 模型，整套交互链路彻底跳过语音转文字、文字生成再语音合成的传统流程，做到音频输入直接输出音频回复，依托原生全双工架构实现边听边说、随时被打断的拟人化实时对话，从底层解决传统语音助手生硬卡顿、丢失语气情绪的行业痛点。传统语音交互一直沿用 ASR 转文字 + LLM 文本推理 + TTS 语音合成的三段式链路，文字会过滤掉语调、停顿、笑声、语气起伏这类副语言信息，同时串行处理模式必须等用户说完整句话才会开始生成回复，对话节奏生硬，无法实现人与人之间随时插话、同步倾听的交流状态。Dessa 从底层架构砍掉全部文本中转环节，模型从零开始仅依靠海量真人对话音频完成训练，直接学习语音里的语义、节奏、情绪与对话进退规则，能够自主识别用户停顿是短暂换气还是对话结束，主动插入附和短句，也能在用户中途插话时立刻停止输出并切换为倾听状态。整套模型采用端到端语音到语音统一网络，不再拆分识别、推理、合成三个独立模块，把整条链路的延迟压缩到毫秒级别，同时原生保留人声里的情绪细节，不用额外添加情绪标签就能自然生成笑腔、叹气、迟疑停顿，让语音交互无限贴近真人面对面聊天。除了对话能力之外，模型完成轻量化优化，可直接在 M4 Max 配置的 MacBook 设备本地离线运行，不需要依赖云端算力，同时项目现阶段仅面向 AI 安全研究者开放内测，用来开展语音智能体身份伪装风险的专项测试，持续完善模型安全边界。

一、Dessa 与传统语音模型的技术链路对比

1. 传统半双工语音模型链路

用户语音→ASR 语音转文字→大模型文本推理生成回复→TTS 文字转语音→播放语音；全程串行执行，必须等待语音静默结束才启动处理，丢失语调、停顿等音频信息，无法支持中途打断。

2.Dessa 全双工纯音频链路

实时音频流输入→统一语音网络直接提取声学语义特征→同步判断对话轮次、情绪与打断时机→直接生成语音音频流输出；全程没有文字转换环节，输入输出并行运行，持续边收听边生成语音，完整保留全部副语言信息。

二、纯音频从零训练的五大技术实施步骤

1. 数据集采集与清洗环节

只采集真人面对面实时对话音频，剔除所有附带文字脚本的录音素材，只保留自然闲聊、自由交流的原生语音片段，重点保留插话、停顿、附和语气、情绪起伏的对话样本，构建只包含音频文件的训练数据集，全程不引入任何文本转写内容。

2. 无文本语音特征建模环节

搭建纯音频 Transformer 网络，直接对原始语音波形做频谱编码，不把语音映射为文字 token，让模型直接从声波里学习语义内容、说话节奏、情绪变化，把语气、停顿、插话时机全部转化为声学特征，实现语义理解完全依托音频信号完成。

3. 全双工并行交互能力训练环节

专门增加双人实时对话样本，训练模型并行处理输入音频与输出音频，加入声学回声消除子模块，让模型能够区分外部用户语音和自身正在播放的语音，避免被自己的输出声音干扰；同时学习对话轮转规则，自主区分换气短停顿与对话收尾长停顿，自主决定什么时候开口、什么时候闭嘴倾听、什么时候主动附和回应。

4. 端到端语音生成对齐环节

把语音理解模块与语音生成模块合并为单一网络，做到输入音频特征直接映射为输出语音波形，消除多模块串联带来的误差累积，保证听懂的语气、情绪可以直接复现在生成语音当中，不会出现文字转译带来的情绪失真问题。

5. 端侧轻量化蒸馏优化环节

对大模型权重做模型蒸馏与量化压缩，在不丢失全双工对话能力和情绪表达能力的前提下，降低算力开销，最终实现模型在消费级笔记本 GPU 本地离线运行，不用联网调用云端接口，进一步降低端到端交互延迟。

三、Dessa 全双工实时对话的核心能力清单

1. 并行收发能力：全程保持边听边说，不会因为自身正在发声就关闭麦克风，用户随时可以中途打断对话，模型可以立刻终止语音输出并切换为倾听模式。

2. 原生情绪生成能力：不需要手动设置情绪参数，依托音频训练数据自然学会生成笑声、叹气、迟疑、调侃语气，完整还原真人对话的副语言细节，不存在脚本化合成的生硬感。

3. 自主对话轮次判断能力：依靠声学信号区分短暂换气停顿和对话结束，不会把用户中途的停顿当成发言收尾，也不会在对方还没说完时强行插话，精准把控对话节奏。

4. 实时后置附和能力：可以在用户讲话过程中自动插入 “嗯”“明白” 这类简短附和语音，模拟真人倾听时的反馈动作，提升对话沉浸感。

5. 低延迟端侧运行能力：整套模型支持本地离线部署，在 M4 Max MacBook 上即可完成完整语音交互，云端网络波动不会影响对话流畅度。

四、跳过文本链路带来的四大核心技术优势

表格

五、当前模型落地与测试安排

1. 当前版本定位为研究预览版，暂不面向普通大众开放公测，仅定向邀请 AI 安全研究人员参与内测，重点测试语音模型模拟人声带来的身份冒充风险，完善安全管控机制。

2. 硬件适配优先覆盖苹果 MacBook M4 Max 及更高配置机型，后续逐步向下兼容主流消费级 GPU 设备，持续扩大端侧部署范围。

3. 后续迭代会持续扩充多语种对话音频数据集，进一步优化长对话场景下的上下文记忆能力，提升多轮连续交流的稳定性。

【相关 FAQ】

问题 1：Block 推出的纯音频训练全双工语音 AI 模型 Dessa，核心突破是什么？

回答 1：Block 推出的纯音频训练全双工语音 AI 模型 Dessa，核心突破是彻底跳过 ASR 转文字、LLM 文本推理、TTS 语音合成的整条文本中转链路，采用纯音频数据从零训练，实现音频输入直接生成音频输出，再配合原生全双工架构，做到边听边说、随时打断的拟人化实时对话。

问题 2：Dessa 跳过文本链路之后，为什么能大幅提升语音对话的拟人程度？

回答 2：Dessa 跳过文本链路之后，不会把语音信息压缩成纯文字内容，能够完整保留语调、停顿、笑声、迟疑等副语言信息，模型直接从真人音频里学习对话节奏与情绪表达，不会出现文字转译造成的语气失真，对话效果更贴近真人面对面交流。

问题 3：Dessa 作为全双工语音 AI 模型，和普通半双工语音助手最大区别是什么？

回答 3：Dessa 作为全双工语音 AI 模型，可以一边播放语音一边持续接收麦克风输入，支持用户中途插话打断；普通半双工语音助手必须等待用户说完、进入静默状态之后才会启动处理，只能轮流发言，无法实现双向同步交流。

问题 4：Dessa 纯音频训练模式，在模型训练阶段有哪些硬性要求？

回答 4：Dessa 纯音频训练模式要求全程只使用真人对话音频作为训练素材，不引入任何文字脚本、文本转写文件，从零搭建音频特征网络，不依托任何预训练文本大模型，只依靠声波频谱信号完成语义理解与语音生成的全链路学习。

问题 5：Dessa 全双工语音模型能否在本地设备离线运行？

回答 5：Dessa 全双工语音模型经过轻量化蒸馏优化，可以在搭载 M4 Max 芯片的 MacBook 设备上本地离线运行，不需要接入云端服务器，能够把交互延迟控制在极低水平，保障实时对话流畅稳定。

【参考资料】

[2026-10-25] Block 推出全双工 AI 语音模型 Dessa：真人感拉满，支持本地运行，IT 之家

[2026-10-25] 端侧语音 AI 的一次路线突破，Block 发布语音到语音模型 Dessa，今日头条

[2026-10-24] Dessa Full-Duplex Speech Model: 0 Text Tokens，SHAttered

[2026-10-24] Block Unveils Dessa, a Full-Duplex Speech Model Trained on Conversation，Unite.AI

[2026-10-23] Block Introduces Dessa, a Full-Duplex Conversation Model Trained Only on Speech，VP Land

免责声明：本文全部技术内容均来自 Block 官方发布信息、公开技术博客与科技媒体实测报道；Dessa 当前仅为研究预览版本，对外开放能力与正式落地功能以官方后续更新为准；不同硬件设备的本地运行效果会受芯片算力、音频采集硬件影响；全双工语音交互需要配合回声消除软硬件才能达到最佳效果；该模型现阶段仅用于技术研究与安全风险测试，不得用于伪造人声、冒充他人语音等违规场景。