Block 推語音模型 Dessa，會笑會哭還能在筆電上跑

Jack Dorsey 創辦的支付公司 Block，從自家研究實驗室推出一款語音模型 Dessa。它說話時會笑、會停頓，甚至會哭，聽起來像真人到讓人有點發毛。而且它不用連上雲端的大型機房，一台高階 MacBook 就跑得動。

先說它哪裡不一樣。Dessa 是全雙工模型，也就是可以一邊說、一邊聽，像兩個人講電話時可以隨時插話，不必像對講機那樣你講完、我才能講。OpenAI 今年稍早推出的 GPT-Live 也是這種設計。

Block 真正想挑戰的，是語音 AI 的老毛病。現在多數語音助理會先把你的聲音轉成文字，交給大型語言模型處理，再把回答念出來。這就像把一通電話先抄成紙條再轉交，對方讀得到字句，卻聽不出你是急、是累，還是在開玩笑。ElevenLabs v4、Fish Audio Drama 3 等模型，是靠在文字裡加上語氣標籤來控制情緒，等於在紙條旁邊註記這句要說得開心一點。

Block 在部落格裡把話說得很重：「現在跟語音 AI 互動，有時真的很糟。它把你的聲音轉成文字，丟掉大量光靠文字承載不了的資訊。全世界最強的 AI 都聽不出你的感受。我們認為這很荒謬，會讓體驗變差，而且可能有危險。」

Block 的說法是，Dessa 完全用人類語音訓練，訓練只用了一組輝達 GPU 機櫃，情緒是模型本身就有的。它的知識也不是另外接一個語言模型來查，而是來自它學過的對話資料。不過，外界目前還無法確認 Dessa 的情緒背後是否仍有某種標籤在操控。

研究人員公開了幾段示範對話。其中一段，AI 說自己工作很累，聲音聽起來真的很疲倦。另一段，它談到對方讓它覺得很自在，語氣激動，像是快要哭出來。還有一段，是 Block 團隊成員跟它玩遊戲。

聽起來這麼像人，問題也跟著來。Dessa 目前沒有對外開放，Block 正在招募安全研究人員來測試。TechCrunch 推測，重點應該是測試語音 AI 會不會被拿來欺騙電話另一頭的人。

為什麼一家金融公司要做語音模型？Block 的主力是金融服務，客戶有很多是小商家。旗下的 Square 已經用語音 AI 處理點餐。如果有一套能直接在裝置上跑的自家模型，就能用更低的成本，把語音服務擴大到更多商家和消費者的使用情境。

接下來要看三件事：Block 何時、用什麼方式開放 Dessa；安全測試能不能找出防範詐騙的方法；還有它會不會先放進 Square 的點餐和客服服務。