在人工智能语音交互领域，全双工（Full-Duplex）技术一直被视为通往真正自然对话的“圣杯”。近日，支付巨头 Block（前身为 Square）旗下的 AI 实验室发布了一款名为 Dessa 的新型语音模型，它标志着这一领域的一次重要突破。
Dessa 的核心特性在于其“全双工”的语音转语音能力。与传统的语音识别（ASR）和语音合成（TTS）流程不同，Dessa 不需要将语音先转化为文本，再由文本生成语音。相反，它直接在语音信号之间进行转换，模拟了人类在真实对话中无缝衔接、实时互动的体验。这意味着用户在说话的同时，AI 可以立即处理并反馈，几乎消除了传统语音助手常见的延迟感。
值得注意的是，Dessa 的训练数据极其特殊——仅使用了人类对话的音频。这种“端到端”的训练方式不仅降低了数据获取的门槛，也意味着模型更专注于捕捉对话的细微情感和语调变化，而非依赖庞大的文本语料库。Block 强调，这种训练方式有助于构建更加纯粹、更具语境感知能力的语音模型。
在硬件部署方面，Dessa 展示了强大的边缘计算潜力。Block 宣布该模型可以在普通的 MacBook Pro M4 Max 上本地运行。这一特性对于数据隐私至关重要，用户无需将语音数据上传至云端服务器进行处理，从而有效防止了敏感信息泄露的风险。同时，本地运行也意味着极低的延迟和更高的响应速度，这对于实时翻译、无障碍辅助等场景尤为重要。
然而，与行业惯例不同，Block 在发布 Dessa 时采取了“黑盒”策略。截至目前，Block 尚未公布模型的参数量、基准测试数据或开源权重。这种做法在 AI 研究界较为罕见，通常公司会急于展示模型的具体性能指标。Block 可能是出于商业机密保护或为了保持技术领先优势的考虑，选择不公开模型的内部细节。尽管如此，仅凭在 M4 Max 上流畅运行且训练数据仅限于对话音频这两点，Dessa 已经引发了业界的广泛关注。
从行业影响来看，Dessa 的出现进一步加速了“边缘 AI”和“隐私优先”计算的趋势。随着大语言模型（LLM）和语音模型规模的不断膨胀，如何在消费级硬件上实现高性能推理成为了新的竞争高地。Dessa 证明了高性能语音交互不再完全依赖于云端算力，这对于开发注重隐私的个人助理、嵌入式设备以及企业级应用都具有深远意义。此外，它也暗示了未来的语音 AI 可能会更加注重“原生”语音处理，而非简单的文本转换。
展望未来，随着更多企业探索类似的端到端语音模型，我们可能会看到更加流畅、自然的交互体验。尽管 Dessa 目前仍是一个未公开内部细节的“黑盒”，但它无疑为语音交互技术指明了新的发展方向——即如何在保持数据隐私的同时，实现人类级别的对话流畅度。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/10/29/block-dessa-full-duplex-speech-model/
