Dessa，Block 的 AI 声音，像人类一样笑和哭

Block 公司由杰克·多西创立，刚刚推出了一款超越普通语音助手的产品。这个模型名为 Dessa，来自公司的研究实验室，能够做到大多数竞争对手无法实现的事情：听起来真正像人类。它带有笑声、停顿、叹息，甚至是快要哭出来的语调，这项技术引发了既令人赞叹又令人担忧的关于欺诈的严重问题。

这一新产品正值人工智能市场在努力使语音互动更加自然的激烈竞争之际。但大多数模型仍然在处理响应之前将语音转换为文本，而 Dessa 则尝试了不同的方法。这显著改变了整个过程。

Dessa 的工作原理及其不同之处

大多数 AI 语音系统遵循一个可预测的路径：你说话，模型将其转录为文本，处理信息，生成文本响应，然后再转换为音频。这是一个多步骤的链条，每一步都忽略了情感的细微差别。你声音中的不耐烦语气、提问前的犹豫、微妙的讽刺，这些在转录过程中都会丢失。

Dessa 作为一个全双工模型运行，这意味着它可以同时说话和倾听，就像今年推出的 OpenAI 的 GPT-Live 一样。Block 声称的核心区别在于，情感不是通过标签或外部命令添加的，而是嵌入在模型本身中，完全用真实人类的语音数据进行训练。

在研究团队发布的演示中，该模型展现了不同的声音、节奏和情感状态。在一次对话中，Dessa 表示在工作一天后感到疲惫，语调听起来确实很疲惫。在另一次谈到让她感到舒适的人时，声音变得哽咽，几乎要哭出来。

在笔记本电脑上运行，而不是在数据中心

或许对科技市场来说，最相关的数据是所需的基础设施。Dessa 在一台 NVIDIA GPU 的单个机架上进行训练，并可以在消费级计算机上本地运行，比如配备 M4 Max 芯片或更高的 MacBook。这是相当显著的。

大多数先进的语音模型依赖于庞大的云服务器，这会导致延迟和高昂的成本。一个在设备上运行的模型为实时应用打开了可能性，无需持续连接互联网，且运营成本大幅降低。对于像 Block 这样的公司，已经在支付和小型企业解决方案领域运营，其实际意义直接：高质量的自动化客户服务可以在商家的设备上运行。

Block 的子公司 Square 已经使用语音 AI 来管理订单。通过 Dessa，该公司可以将这种体验提升到客户甚至察觉不到自己在与机器交谈的水平。

过于真实的问题

而这里正是这种进步不可避免地伴随的困境。如果一个 AI 听起来与人类无异，那么在欺诈中的使用可能性也会成比例增加。想象一下接到一个情感激动的人的电话请求帮助，而这个声音完全是合成的。

Block 自身也认识到这一风险。该公司没有向公众开放 Dessa 的访问权限，并发布了对安全研究人员的召集，以测试该模型。其声明的目标是识别语音代理可能欺骗电话另一端人们的场景。这是一项谨慎的措施，但也表明技术已经进步到敏感领域。

音频深伪市场已经造成了数十亿美元的损失。根据美国联邦贸易委员会的数据，涉及声音模仿的欺诈在 2023 年造成了超过 27 亿美元的损失。像 Dessa 这样的模型，增加了真实的情感层次，使得检测变得更加困难。

这对 AI 领域意味着什么

Block 进入语音模型领域的决定揭示了市场的一个方向。金融科技公司不想依赖 OpenAI、ElevenLabs 或 Google 等外部供应商来提供关键的客户服务功能。开发本地运行的专有模型是一种降低成本的策略，同时也是一种竞争差异化策略。

Block 并不是第一家走上这条道路的公司。但专门用人类语音数据进行训练，而不经过文本中介的做法，可能代表了行业的一个转折点。如果该模型能够按承诺的规模实现，语音 AI 与金融服务之间的整合将进入一个新阶段。

目前，Dessa 仍然处于封闭状态。尚无公开发布的时间表。但一个具有如此表达能力的模型能够在笔记本电脑上运行，已经讲述了技术发展的方向，以及随之而来的风险。

对于金融行业来说，方程式很明确：谁掌握了 AI 语音接口，谁将在客户服务、成本和用户体验上获得巨大的优势。剩下的问题是，监管是否能够跟上这一节奏。