Block выпустил Dessa: первая ИИ-модель, обученная только на человеческой речи

Все голосовые ИИ-ассистенты, которых мы знаем, работают по одной схеме: сначала преобразуют речь в текст, потом обрабатывают текст, потом синтезируют ответ обратно в звук. Каждый этап - это потеря информации. Интонация исчезает, пауза превращается в пробел, смех становится "[смеется]". Компания Block, которую знают по Square и Cash App, решила обойти эту цепочку целиком.
Что такое Dessa и почему это архитектурно другое
Dessa - это speech-to-speech модель, которая никогда не видела ни одного слова в текстовом виде. Команда обучила ее с нуля исключительно на человеческой речи - без транскриптов, без текстовых корпусов, без промежуточного слоя. Руководитель проекта Рагаван Тхурайратнам описывает логику просто: младенцы учатся говорить, ни разу не прочитав ни строчки. Команда хотела проверить, возможно ли то же самое для модели. Оказалось - возможно, хотя, по их собственным словам, "чертовски сложно".
Модель поддерживает full-duplex коммуникацию - то есть может слушать и говорить одновременно, как это делает человек в разговоре. Она распознает эмоции, сарказм, смех и паузы в реальном времени, не дожидаясь конца фразы.
На практике это выглядит так: в одном из демо-разговоров, опубликованных на сайте Block, собеседник рассказывает Dessa о воображаемой поездке в Париж - и модель реагирует тем, что сайт описывает как "нечто похожее на слезы благодарности". Звучит как маркетинг, но аудиозаписи доступны публично - можно проверить самостоятельно.
Где обучали и как запускают
Для обучения Block использовал один кластер NVIDIA GB200 NVL72 - это стойка, которая объединяет 72 чипа Blackwell. По нынешним меркам это скромно: большинство frontier-моделей требуют тысячи ускорителей. Запускается Dessa локально на MacBook Pro M4 Max (или более мощном железе) - что само по себе говорит о компактности модели.
Сравнение с конкурентами здесь неизбежно. OpenAI переработал Advanced Voice Mode в июне 2025-го и с тех пор улучшал интонацию и реакцию на эмоциональный контекст. Hume AI запустил EVI еще в марте 2024-го, позиционируя его как "голос с эмоциональным интеллектом". Kyutai выпустил Moshi в сентябре 2024-го. Dessa первой декларирует полное отсутствие текстового промежуточного слоя - в отличие от перечисленных систем, про архитектуру которых источники этого не утверждают.
Вопрос, который меня занимает: насколько это принципиально для качества ответов? Звучать эмоционально - одно, а рассуждать качественно - другое. Текстовые модели хорошо рассуждают именно потому, что обучены на огромных текстовых корпусах, где сконцентрированы структурированные знания человечества. Dessa, по сути, отказалась от этого в пользу "сырого" коммуникативного слоя. Компромисс очевидный.
Зачем Block вообще этим занимается
Block - финтех-компания, а не ИИ-лаборатория. Джек Дорси объяснил мотивацию тремя вещами: любопытство, лучшее взаимопонимание между людьми и ИИ, и безопасность. Последний пункт интереснее всего. Команда формулирует его так: представьте человека в сильной боли, который разговаривает с голосовым ИИ - а тот не слышит боли и продолжает как ни в чем не бывало. Это не просто неудобство, это потенциальная проблема в медицинских или кризисных сценариях.
Эта мотивация объясняет и следующий шаг команды: публичного доступа к Dessa пока нет. Сначала Block хочет дать модель небольшой группе исследователей в области ИИ-безопасности, чтобы те проверили ее на неожиданные риски. Заявку можно подать через форму на сайте Block.xyz.
Что не так в демо
Демонстрационные записи - честная картина с шероховатостями. В одном разговоре модель путает имя собеседника, называя его "Роналдо". В другом уходит на неожиданный монолог о фильмах Брайана Сингера посреди разговора о Кристофере Нолане. Команда Block не скрывает этих моментов - они прямо включены в демо на сайте. Это либо честность, либо хорошо рассчитанная демонстрация "живости" модели. Скорее всего - и то, и другое.
Есть и запись разговора Dessa со сторонней голосовой моделью GPT-Live-1. По мнению команды Block, Dessa звучит естественнее. Слушатели могут составить собственное мнение - записи открытые.
Что это значит для индустрии
Dessa - не продукт, который завтра появится в каком-нибудь приложении. Это исследовательская демонстрация архитектурного подхода. Но подход важный: если речевые модели без текстового слоя докажут свою состоятельность, это может переформатировать весь стек голосового ИИ.
Для российских разработчиков и пользователей Dessa пока недоступна ни в каком виде - только форма для записи в программу тестирования безопасности на сайте Block.xyz. Попадание в первую волну тестировщиков - вопрос отбора.
Источники
Похожие новости
Edge0 открыла TTS-модель на 0,6 млрд параметров с клонированием голоса на 23 языках
Edge0 выложила Audio8-TTS-Realistic под Apache 2.0: модель клонирует голос по одной записи, знает русский и обходит Qwen3-TTS-1.7B на бенчмарке CV3 по средней ошибке.
AssemblyAI выпустила первую TTS-модель: $15 за миллион символов, 6 языков
AssemblyAI запустила AssemblyAI-TTS-1, синтез речи для голосовых агентов. Цена $15 за 1 млн символов без годового контракта и без отдельной платы за параллельные сессии, но SSML и управления скоростью пока нет.
Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе
Ollama выпустил release candidate v0.40.11 с обновлением каталога голосов Phonon. Синтез речи и модели d3 появились раньше - в v0.40.9 от 22 октября.