---
id: "mb-20261027-855473"
kind: "deep"
title: "彻底甩掉文本大模型：Block发布首个纯靠人类声波训练的本地全双工语音AI"
description: "当前主流语音助手普遍采用“语音转文本-大模型推理-语音合成”的三段式链路，容易丢弃语气、重音和情绪。Jack Dorsey旗下Block公司推出的Dessa模型彻底摆脱了文本层，全流程仅基于人类对话音频波形训练。"
domain: "ai"
domain_label: "AI 与大模型"
canonical_url: "https://mubeitech.com/deep/mb-20261027-855473"
markdown_url: "https://mubeitech.com/deep/mb-20261027-855473/markdown"
json_url: "https://mubeitech.com/api/interpretations/mb-20261027-855473"
topic: "彻底甩掉文本大模型：Block发布首个纯靠人类声波训练的本地全双工语音AI"
source_type: "generated"
status: "published"
generated_at: "2026-10-27 09:42:51"
frame_type: ["机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 彻底甩掉文本大模型：Block发布首个纯靠人类声波训练的本地全双工语音AI

现在的语音 AI，连一个音节都听不见。

你在手机这头叹气、哽咽、用反讽的腔调说话，它完全感知不到。

只要你用过语音助手，大概都体会过那种诡异的迟钝。
你讲了一句带笑点的长句，它非要等你完全闭嘴，在空气里卡顿半秒，才机械地回你一句。

为什么会这样？
因为市面上绝大多数语音助手，全在玩三段式接力。
第一步，语音转文字，把你的声音打碎成文本。
第二步，大语言模型读这段文本，算出该回什么话。
第三步，语音合成器把文本重新读成声音。

这种把声音扒成文字的折腾，直接把人类交流里最值钱的信息丢光了。

研发团队举过一个很说明问题的例子。
英文里有一句话：我没说她偷了我的代码。
这句话总共就这几个词，但你把重音放在不同的词上，意思完全不同。
重音落在“我”上面，意思是别人说的，不是我说的。
重音落在“她”上面，意思是偷代码的另有其人。
重音落在“偷”上面，意思是她可能是借的，不算偷。

可在文字世界里，大模型看到的字符一模一样。
语调、停顿、换气、情绪，在压成文字的那一瞬间，全被丢进了垃圾桶。
模型只能靠文字上下文硬猜。

昨天推特创始人 Jack Dorsey 的公司 Block，亮出了一个完全打破常识的原型。
代号叫 Dessa。

这台模型最不可思议的地方，是它彻底甩掉了大语言模型。
它从头到尾没有读过一本书，没爬过一个网页，也没见过一行代码。
它的神经网络里根本没有文字概念。
它是纯靠听人类说话的连续声波，硬生生学会了对话。

人类婴儿怎么学说话，它就怎么学。

听起来合情合理对吧？
但在计算工程上，这原本是一条地狱难度的路线。

为什么以前各家大厂都死守着文本？
因为文字算起来太便宜了。
文本里的一个词，只有几个字节。
不管谁在键盘上打字，同一个单词的编码永远一模一样。

声音完全是另一回事。
哪怕同一个人把同一句话念两遍，声波的波形、谐波和背景杂音也绝不重复。
念出一个词消耗的数据量，比纯文本大了几千倍。
大语言模型需要喂上几万亿个词才能建立逻辑，要是直接硬啃未经切分的声波，算力开销原本是个天文数字。

领衔这项研究的 Ragavan Thurairatnam 团队，硬是把这道坎给踩过去了。
他们只用了一套英伟达 GB200 NVL72 系统，就完成了整套端到端模型的训练。
它掌握对话逻辑用到的有效单词量，比传统大语言模型少了上百倍。

纯靠听声音练出来的模型，聊起天来到底有什么不一样？

官方放出了一段实测录音。
测试员一开口把它的名字叫错了，叫成雷纳尔多。
Dessa 完全没有传统 AI 那种字斟句酌的死板，当场就打断对方笑出了声。
它带着地道的街头口吻接话：我不是雷纳尔多，兄弟你认错人了，我是戴弗。
测试员聊到自己在超市搬货很累、刚出生的儿子早上缠着要爸爸。
Dessa 不仅能顺着细节接住话茬，还能在对方说话的间隙，自然地垫上两声“对”、“懂你”。

这在通信和工程上叫全双工。
过去的语音模型是半双工，你讲的时候它只能憋着听，讲完它才能回。
全双工是边听边说。
你在半句话里抖了个包袱，它在说话的同一秒就能笑出声，不用等你讲完再去调取一段笑声脚本。

它甚至不需要连云端服务器。
只要一台搭载苹果 M4 Max 芯片的 MacBook Pro，在本地就能跑得比真人语速还要快。

以前大家总觉得，没有百亿参数的文字大脑在后面撑着，AI 就不可能拥有真正的交互智能。
但人类演化了几十万年，发明文字才不过几千年。
小孩在看懂第一行字之前，早就已经通过语调的高低、母亲呼吸的缓急，弄懂了全部的情绪与规则。

当声音不再被强行压平装进文本的盒子里，人机交互的真正起点，可能才刚刚开始。

_Canonical: <https://mubeitech.com/deep/mb-20261027-855473> · Source: 墓碑科技 MUBEITECH (mubeitech.com)_
_Rendered by mubei-terminal._