Dessa，Block 的 AI 聲音，能像人類一樣笑和哭

Block 這家由 Jack Dorsey 創立的支付公司，剛剛推出了一款超越普通語音助手的產品。這款模型名為 Dessa，來自公司的研究實驗室，能做到大多數競爭對手無法實現的事情：聽起來真實得像人類。它能發出笑聲、停頓、嘆息，甚至有即將哭泣的語調，這項技術引發了既令人驚嘆又令人擔憂的關於詐騙的問題。

這一創新出現在人工智慧市場正經歷激烈競爭的時期，旨在使語音互動更加自然。然而，儘管大多數模型仍然在處理回應之前將語音轉換為文本，Dessa 嘗試了一種不同的方法，這在很大程度上改變了整個方程式。

Dessa 如何運作以及為何不同

大多數 AI 語音系統遵循一條可預測的路徑：你說話，模型將其轉錄為文本，處理信息，生成文本回應，然後再轉換為音頻。這是一個多步驟的鏈條，每一步都會丟失情感的細微差別。你聲音中的不耐煩語調、提問前的猶豫、微妙的諷刺，這些都在轉錄過程中消失了。

Dessa 作為一個全雙工模型運作，這意味著它能夠同時說話和傾聽，就像今年推出的 OpenAI 的 GPT-Live。Block 所聲稱的核心區別在於，情感不是通過標籤或外部命令添加的，而是嵌入在模型本身中，完全用真實人類語音數據進行訓練。

在研究團隊發布的演示中，該模型展現了不同的聲音、節奏和情感狀態。在一次對話中，Dessa 表示在工作一天後感到疲憊，語調聽起來確實很疲憊。在另一個對話中，當談到讓她感到舒適的人時，聲音變得哽咽，幾乎要哭了。

在筆記本電腦上運行，而不是在數據中心

對於科技市場來說，最相關的數據可能是所需的基礎設施。Dessa 在一個單一的 NVIDIA GPU 橋架上進行訓練，並可以在消費者計算機上本地運行，例如配備 M4 Max 或更高版本的 MacBook。這是相當顯著的。

大多數先進的語音模型依賴於重型雲伺服器，這會導致延遲和高昂的成本。一個在設備上運行的模型為實時應用開啟了可能性，無需持續的互聯網連接，並且運營成本大幅降低。對於像 Block 這樣已經在支付和小型企業解決方案領域運作的公司來說，實際的含義是直接的：高品質的自動化客戶服務在商家的設備上運行。

Block 的小型企業部門 Square 已經使用語音 AI 來管理訂單。通過 Dessa，該公司可以將這一體驗提升到客戶甚至無法察覺他們正在與機器對話的水平。

過於真實的問題

這裡出現了不可避免地伴隨這類進步的兩難。如果一個 AI 聽起來與人類無法區分，則在詐騙中的使用可能性也會成比例增加。想像一下接到一個情感激動的人的電話請求幫助，而這個聲音完全是合成的。

Block 自身也認識到這一風險。該公司尚未向公眾開放 Dessa 的訪問權限，並發布了對安全研究人員的召集，以測試該模型。其明確目的是識別語音代理可能欺騙電話另一端人員的場景。這是一項謹慎的措施，但也顯示出技術已經進步到多麼敏感的領域。

音頻深偽市場已經造成了數十億的損失。根據美國聯邦貿易委員會的數據，2023 年涉及模仿聲音的詐騙造成了超過 27 億美元的損失。像 Dessa 這樣的模型，添加了真實的情感層，使得檢測變得更加困難。

這對 AI 場景的意義

Block 進入語音模型市場的決定揭示了市場的方向。金融科技公司不想依賴 OpenAI、ElevenLabs 或 Google 等外部供應商來提供關鍵的客戶服務功能。開發本地運行的專有模型是一種降低成本的策略，同時也是一種競爭差異化的策略。

Block 不是第一家走這條路的公司。但專門用人類語音數據進行訓練，而不經過文本的中介，可能代表了行業的轉折點。如果該模型能夠在規模上實現其承諾，語音 AI 與金融服務的整合將進入一個新階段。

目前，Dessa 仍然處於封閉狀態。尚無公開發布的時間表。但一個具有如此表現力的模型能在筆記本電腦上運行，已經講述了一個關於技術發展方向的故事，以及隨之而來的風險。

對於金融行業而言，方程式是明確的：誰能掌握 AI 語音界面，誰就能在客戶服務、成本和用戶體驗上獲得巨大的優勢。剩下的問題是，監管是否能跟上這一節奏。