这几天刷屏的「不认字的 AI」，是一个叫 Dessa 的语音模型，发布方是推特联合创始人杰克·多尔西的支付公司 Block——Square 和 Cash App 的母公司。按多尔西的说法，这是「有史以来最真实的全双工语音模型」，和它说话就像和人说话——有情绪、有语气、有停顿。 但先把结论说完：它目前还不是产品，普通人还用不上——Block 只放出了几段官方录音和一个候补名单。微博知乎
它扔掉的不只是文字，还有整条「翻译流水线」
现在主流语音助手的底层是一条焊死的接力链：先把你的话转成文字，交给文本大模型去想答案，最后再把文字合成声音念出来。这条链路每一棒都可能出错、都会攒延迟，更要命的是，声音里独有的信息会在「转文字」这一步被过滤干净。Block 给过一个扎心的例子：如果屏幕对面的人正疼得声音发抖，只看转写文字的 AI 根本察觉不到异常，还是会自顾自地念完答案。Dessa 的赌法是把整条流水线都拆掉：音频直接进、音频直接出，模型从零训练，训练数据里没有任何文本，也不借用现成的预训练语言模型，纯靠「听」人类对话录音学会说话。小红书知乎小红书
目前的「人味」证据，全部来自官方自己放的录音
听起来像人，和说得出内容是两件事。官方演示里，Dessa 会在句子中间自然笑出来，还会带着哭腔道谢；被要求大点声时，它直接提高音量；对面的人聊着聊着卡壳、忘了电影名字，它顺嘴就把话接上。小红书知乎
硬件数字也来自 Block 官方口径：训练只用了一整套 NVIDIA GB200 NVL72 机架，在一台 MacBook Pro（M4 Max）上就能本地跑起来，比实时还快——注意，这是厂商说法，有博主明确标注未做独立测速。 至于它「认字少」的程度，官方称学语言的词量比文本大模型少几百倍。更关键的一条边界是：目前所有关于效果的证据都是 Block 自己挑的录音，没有参数、没有跑分、没有第三方实测，普通用户无法复现任何一个演示瞬间。知乎知乎
「不认字」不是新闻，扔掉文本拐杖才是
想教一个只靠「听」长大的语音模型，几年前就有人试过。2022 年 Meta 等机构就用电话录音训出过类似模型，接话、停顿都很像人，但聊的内容空洞，是「像聊天的声音」而不是有意义的对话；2024 年把这条路推到能用的 Moshi，靠的恰恰是从文本语言模型起步、让模型先「默念」文字再开口——因为声音的信息密度太低，硬啃声学太难。所以 Dessa 真正的新意不在「全双工」本身，而在它声称把文本这根拐杖也一起扔了——自然度到底有没有录音里那么高，还得等第三方来验证。知乎
会聊天的另一面：它的知识只来自「偷听」
代价恰恰写在「不认字」这三个字里。文字是人类知识最密集的容器，不碰文本，模型的世界观就只能来自训练时听到的那些对话——它会聊天，不等于它知道：问它冷门事实、让它算账办事，大概率比不过任何一个文本大模型。The Verge 报道里就记过一次翻车：它在对话里把人认成了 Ronaldo。Block 的演示页面也印证了这个定位：清一色闲聊，没有任何知识问答或任务型演示。一个耐人寻味的背景是：这个团队的前身是多伦多的同名公司 Dessa，2020 年被 Square（Block 旧名）收购时，做的正是深度伪造检测——当年研究怎么识破假声音的人，如今造出了最难辨真假的机器声音。行业里更主流的路线其实是分工：语音模型负责「像人」，它背后的文本模型负责「靠谱」，两边并行、互相委托。Dessa 押的是前一半，后一半它自己补不上。知乎微博
想摸一摸？现在还早
现在普通人能做的只有一件事：去 block.xyz/dessa 官网听官方放出的演示录音，包括一段它和第三方语音模型对聊的原声；官网挂着「等候名单」，但点进去的状态是即将开放，发布时间、价格、是否开源一个都没公布。早期访问的门槛写得明白：只开放给一小群 AI 安全研究者，申请必须填真实姓名、用大学或公司的机构邮箱——官方的理由很直接，先让这群人去找他们自己没预见到的风险。小红书知乎
接下来看什么
三个观察信号：它是否从「研究预览」走向对普通用户开放；Block 是否公布架构、数据规模和能被第三方复现的评测；全双工的高灵敏度放进嘈杂的真实环境后，会不会变成频繁的误打断。在听到这些答案之前，对普通用户更实际的一句话是——AI 的声音已经能抖着哭、笑着接话了，接到「熟人」语音电话谈钱时，记得多一个渠道核实身份。
