Block把语音交互的矛头指向“先转文字再回答”的主流方案。对多数用户来说，语音助手的问题不只是听得准，还在于听不懂语气、不敢打断、不会等待。公司发布Dessa，称其为true speech-to-speech模型：训练数据只有人类对话语音，没有文本，也没有预训练模型，模型通过听真实的连续对话学会说话、停顿、回应和插话，目标是把对话从“命令识别”拉回“彼此听见”。
为什么坚持不经过文字
当前多数语音助手实际上由自动语音识别、大语言模型和语音合成拼接而成。Block认为，这条链路会把语气、情绪、犹豫、笑声、叹气和声音颤抖都压缩成文字，最终丢掉语音里最有信息量的部分，也容易让系统在打断、犹豫和情绪变化时表现失真。Dessa则直接从音频到音频，把语气、停顿和重叠对话都保留在输入输出链路里，模型在对话里听见的是人真正表达出来的状态，而不是被转写后的版本。更重要的是，人类对话中的许多含义本就依赖声音，而不是词汇本身。
这种路线并不代表模型更聪明，而是代表交互目标不同。Dessa更关心对话中的节奏：什么时候该回答，什么时候该等待，什么时候用短促的回应表示自己在听，什么时候又该在对方话没讲完时保持沉默。Block称它支持全双工，也就是能同时听和讲；推理速度快于实时，因此不必等待漫长的轮转延迟。对听障用户、老人、儿童和需要双手作业的现场人员来说，更自然的双向语音也许比触屏菜单更友好。
一台机器训练，一台电脑运行
训练侧，Block称Dessa只使用一台NVIDIA GB200 NVL72完成训练。这个数字在动辄上万卡训练前沿语言模型的背景下显得克制，也说明语音建模与通用文本智能的算力需求并不完全相同；但训练只用一台机器，并不代表推理部署没有门槛，复杂对话和长时记忆仍会消耗大量本地资源。
运行侧，Block给出的门槛是MacBook Pro M4 Max或更高配置。把语音模型放到本地设备，既降低延迟，也减少对话音频必须上云带来的隐私压力。对于客服、陪伴、无障碍和现场服务这些对响应速度敏感的场景，本地实时性可能比通用知识广度更重要。不过本地运行并不自动等于隐私安全，录音如何保存、上传和用于改进，仍要看产品授权与数据治理。
安全和研究边界
Block强调，语音模型的逼真度提升后，欺骗、情感操纵和冒充风险同样会被放大。Dessa初期面向AI安全研究者开放访问，而不是立即作为大众产品铺开，而不是立即作为大众产品铺开，这个节奏说明Block自己也清楚：更自然的语音不仅带来体验提升，也带来更难识别的社会工程攻击面。研究访问阶段应尽可能记录模型失败案例、欺骗路径和越权请求表现，而不是只展示流畅对话。
从行业视角看，Dessa的意义在于重新划分语音AI的技术路线：一条路线追求世界知识和推理能力，另一条路线先解决人类交互中最基本的节律、情绪和双向倾听。两条路线最终可能会合并，但在此之前，纯语音模型为研究语言习得、多模态学习和语音安全提供了独立样本。它至少证明，语音不必永远作为文字界面的临时入口。