Block 发布纯语音训练的全双工语音模型 Dessa
Block Unveils Dessa, a Full-Duplex Speech Model Trained Only on Speech - MarkTechPost
Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，只用人声对话音频训练，未使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行，速度快于实时；训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），目前未公布基准分数、参数量、权重、论文或 API。
正文 · AI 翻译
将我们添加为 Google 首选来源
Block 的 AI 研究实验室发布了 Dessa，这是一个仅用人类对话训练的全双工语音模型。Block 于 2026 年 10 月 23 日以研究预览形式公布了它。Dessa 是 Block 推出的语音到语音模型，能够边听边说。Block 表示，它没有使用任何文本，也没有使用预训练模型。这与当今大多数语音智能体背后以文本为先的技术栈是不同的设计。
TL;DR
运行环境：在 MacBook Pro M4 Max 或更高配置上本地运行，速度快于实时。
性能：目前仅限演示。现场录音展示了附和应答、句中笑声和自然打断。
最佳：在 1 台 NVIDIA GB200 NVL72 机架（72 块 GPU）上训练。Moshi 使用了 1,016 块 H100 GPU。
最差：公布 0 项基准分数。没有权重、论文、API 或价格。
Block 的 Dessa 是什么？
Dessa 是一个真正的语音到语音模型：音频输入，音频输出。根据 Block 的项目页面，它所知道的一切都来自人类语音。
TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni_parse_bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助
它是全双工的，因此能边说边听。Block 表示，它从真实对话中学会了何时插话。它还学会了何时用“yeah”或“got it”这样的简短提示进行附和应答。
Block 的演示片段显示，Dessa 会在句中发笑，并在被要求大声说话时提高音量。其中一个片段展示了它与 OpenAI 的 GPT-Live-1 对话。Block 表示，没有任何片段经过人工引导。
纯语音训练是如何工作的？
大多数语音系统串联 3 个部分：语音识别、文本模型，然后是语音合成。Block 团队认为，这条链路会丢弃情绪、讽刺、笑声和叹息。Dessa 直接接收并生成这些信号。
Block 尚未公布架构。以下是它已披露的内容：
训练数据：仅人类对话音频。没有文本，也没有预训练模型。
算力：1 台 NVIDIA GB200 NVL72，连接 72 块 Blackwell GPU 和 36 个 Grace CPU。
数据效率：Block 表示，Dessa 学会语言所用的词数比 LLM 所需的少数百倍。
推理：在 MacBook Pro M4 Max 或更高配置上，速度快于实时。
该实验室还解释了为什么这很难。语音从不会完全重复。一个说出的词所占的字节数，是同一个词在文本中的数千倍。
Kyutai 的 Moshi 是最知名的开源全双工模型，它走了另一条路线。Moshi 从文本语言模型主干出发，在音频 token 之前预测时间对齐的文本 token。其模型卡列出了 700 万小时的预训练音频和 1,016 块 H100 GPU。
Dessa 与 Moshi、PersonaPlex 和 GPT-Live-1 相比如何？
起点仅语音，无文本，无预训练模型Helium 文本 LM 主干加音频从 Moshi（Moshiko）权重微调而来未披露；将推理委托给后端智能体
参数量未披露8B（Hugging Face 列表）7B（模型卡）未披露
训练算力1 台 GB200 NVL72（72 块 GPU）1,016 块 H100 GPU未披露未披露
训练音频未披露700 万小时无监督、2,000 小时 Fisher、20,000 小时合成Fisher 英语，不足 10,000 小时未披露
延迟未披露（“快于实时”）实际 200 毫秒，理论 160 毫秒0.170 秒轮次切换，0.240 秒打断（FullDuplexBench）模型页面未披露
权重与许可未发布开放，CC-BY 4.0开放，NVIDIA 开放模型许可证闭源
运行环境MacBook Pro M4 Max 或更高配置GPU；MLX、Candle 和 PyTorch 检查点NVIDIA A100 / H100，LinuxOpenAI 云
访问与价格研究预览，候补名单免费下载免费下载（需申请）API，语音层每分钟 0.05 美元
要点
Dessa 是全双工、语音到语音的模型，仅用人类对话音频训练。
Block 在 1 台 GB200 NVL72 机架上训练了它；Moshi 使用了 1,016 块 H100。
它可在 MacBook Pro M4 Max 上本地运行，速度快于实时。
Block 公布了 0 项基准、未公布参数量和权重。
访问方式为候补名单。
Michal Sutter+ 文章简介 ⮌
Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可操作的洞察。
Michal SutterMirendil 发布其首个模型 Fern 0.1，具备 1000 万 token 上下文
$uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助
相关文章更多来自作者
Baseten 发布 joey-1，一个每 100 万 token 收费 0.01 美元的 2B 决策模型
Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播快 3.11 倍
NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数