Dessa 发布纯语音训练对话模型：打破文本中介，重塑人机交互范式

Block 旗下的 Dessa 团队近期推出了一个完全基于语音数据训练的对话模型，该模型跳过了传统的“语音转文本（STT）- 文本处理 – 文本转语音（TTS）”级联架构，实现了端到端的纯语音交互。

• ▶ 范式转移：Dessa 证明了无需文本中介，模型也能通过离散化的音频 Token 学习复杂的对话逻辑、语气起伏和情感共鸣。
• ▶ 效率与保真度：相比级联系统，原生语音模型大幅降低了交互延迟，并保留了文本无法承载的“副语言”信息（如停顿、重音和情绪）。

八卦洞察

Dessa 的这一突破标志着 AI 交互正从“文本模拟语音”向“原生语音智能”进化。长期以来，大模型的逻辑核心一直被锚定在文本符号上，这导致了严重的“模态税”——在转换过程中，人类表达中超过 70% 的非语言信息（情绪、讽刺、犹豫）被过滤掉了。Dessa 的尝试与 OpenAI GPT-4o 的语音模式异曲同工，预示着未来 AI 将不再仅仅是“会说话的百科全书”，而是能够感知并反馈人类情绪波动的“数字同伴”。对于 Block 而言，这种技术在金融客服、支付验证等高频交互场景中具有极高的商业想象力，它能通过声音的细微变化来增强反欺诈检测或提升用户粘性。

行动建议

企业应开始关注“原生多模态”架构的演进，尤其是那些依赖语音交互的业务场景（如智能座舱、远程医疗）。建议技术团队评估从级联架构向端到端架构迁移的可能性，并提前储备高质量、带标注的音频数据集。在数据治理层面，应从单纯的文本清洗转向对音频特征（音调、节奏、背景环境）的深度结构化处理，以应对即将到来的语音原生 AI 浪潮。