10月23日，Jack Dorsey 联合创办的 Block（Square、Cash App 的母公司）发布了一个语音模型，叫 Dessa：从零开始训练，训练数据只有录下来的人类对话，不用文本，也不用任何文本预训练模型，对话时声音进、声音出。 官方还披露，训练用掉一套 NVIDIA GB200 NVL72，推理则可以塞进一台 M4 Max MacBook Pro，快于实时。知乎知乎
这种「不用转文字」的语音 AI，和你熟悉的语音助手最本质的差别，就在这个被拿掉的中间环节：传统助手从不真正「听」声音，它先把你的话转写成文字，交给文本大模型读，再把答案合成成声音念出来。转写这一步省掉之后，体验上多出三样东西——更快、能打断、听得懂语气；同时也带走两样东西——知识和可校验性。
对讲机感：它是在「读」你的话，不是「听」
绝大多数团队沿用的，正是那条「语音识别→大模型→语音合成」的串行链路，一线开发者把它的毛病归结为三个词：无法打断、回应生硬、毫无真人感。 原因是接力结构每一棒都要等前一棒交棒：先判断你说完没有，再转文字，再理解生成，最后合成朗读，延迟一层层叠出来。它还是「对讲机」模式——你说话时它在听，它说话时听不见你。开发者实测各家助手后的原话很直接：它能打断我，我也能打断它，不是「我说完你再说」的对讲机，跟打电话一模一样。知乎小红书
转写丢掉的还不只是时间。声音里有一大块文字写不下来的东西：同一句「你可真厉害」，真诚赞叹和阴阳怪气，文字完全一样，意思正相反。
不转文字之后：边说边听，连叹气都在输入里
端到端全双工模型把对话看成两条同时进行的音频流：你一条，模型一条，每帧同时听和写，不存在「轮到谁」。 打断也因此从开关变成理解：关键不在于听到声音就闭嘴，而在于知道该暂停、继续、附和还是重新回答。 不止 Block 一家在往这走：2026年5月和7月，OpenAI 把实时推理和工具调用装进语音模型；9月，Gemini 3.8 Live 让对话与深度思考并行；10月15日，GPT-Live 与 Decisions 的组合已经做到「用户仍在说，Agent 已经行动」。知乎小红书36氪
不转文字的另一面：难校验，知识也有限
纯语音不是新点子。2022 年 Meta 等机构的 dGSLM 就只用电话录音训练，会笑会附和，但内容空洞；2024 年的 Moshi 做到了可用，底下却仍借一个文本语言模型「边说边默念文字」。Dessa 声称连这根拐杖也扔掉，而代价正是文本大模型当初要借它的原因：文本是人类知识最密集的载体，模型一旦不碰文本，其世界知识就只能来自对话录音里出现过的内容。 The Verge 报道这类模型时提到过把人认成「Ronaldo」的名场面——听起来对，内容不一定对。工程侧的问题更硬：客服、预约这类任务型对话里，听错一个单号或参数就会导致任务失败，业务一线因此认为纯端到端难以落地，主流方案仍保留文本形态做校验和合规兜底。 模思智能 CEO 李世民举过一个车内例子：你说「有点冷」，只做语音识别的话，识别出三个字就结束了；交互智能则要知道车内温度、谁在说话、车辆状态，再判断你是抱怨还是想调空调。知乎知乎36氪
你已经可能碰到它的升级形态
不用等 Dessa 开放，商业化已经先跑起来了。科大讯飞10月22日的发布会给出三个数：效果+20%、时延-15%、成本-60%，其口径正是把「先转文字再理解」的两段式架构合并为统一音频编码。 10月中旬，xAI 发布 Grok Voice 3.0，随即接入 SpaceX 星链客服中心，每天约2万通来电、七成由 AI 接通。 字节的豆包则更早：原生全双工语音模型今年4月起上线豆包 App，主打让 AI 学会「边听边说」、告别「你讲我听」的机器人式对话。 对普通用户，检验差异只需要三件事：说完之后它愣不愣、打断它之后它懂不懂、你着急时它听不听得出来。知乎知乎哔哩哔哩
Dessa 目前说到底还只是一个非公开的研究预览。 官方给它的早期访问只开放给一小批 AI 安全研究员，普通用户暂时还用不上。更要留神的是：「全球第一个只靠语音训练的实时对话 AI」是官方自评，目前既没有参数公布，也没有第三方实测，演示里与它对话的另一方声音同样是合成的。 这场变化的方向足够清晰——语音 AI 正在从「转成文字再读」走向「直接听懂、直接开口」；但它替代的会是助手的耳朵和嘴，还是连大脑一起换掉，还得等更多实测给出答案。知乎小红书
