Block, компания Джека Дорси, представила голосовую модель Dessa, разработанную в собственном исследовательском подразделении. Модель работает локально и, по словам разработчиков, звучит «жутко по-человечески» благодаря естественным вокальным выражениям — смеху, паузам и всхлипам.
Обучена исключительно на человеческой речи
Block подчёркивает, что Dessa обучена полностью на человеческой речи и может работать на одной стойке NVIDIA GPU. Компания называет её «самой аутентичной полнодуплексной голосовой моделью из когда-либо созданных».
Dessa — полнодуплексная модель: она способна говорить и слушать одновременно, подобно GPT-Live, выпущенной OpenAI ранее в этом году. В отличие от типичного подхода, где голосовые модели работают в паре с большой языковой моделью для извлечения знаний, Block утверждает, что знания Dessa проистекают из имеющихся у неё разговорных данных.
Эмоции без текстового посредника
Компания объясняет, что текущие голосовые модели звучат неестественно и раздражающе, поскольку в их конвейере присутствует текст, управляющий генерацией речи. Block указывает, что модели вроде ElevenLabs v4 или Fish Audio Drama 3 используют голосовые теги для управления эмоциями. В свою очередь, в Dessa, по заявлению разработчиков, эмоции встроены в саму модель. При этом неясно, управляется ли эта эмоция какими-либо тегами.
В блоге Block назвала взаимодействие с существующими голосовыми ИИ «просто ужасным»: они превращают голос в текст и выбрасывают огромное количество информации, которую текст не способен передать. Компания заявила, что самые мощные ИИ в мире не могут услышать, что человек чувствует, и назвала подобный подход «абсурдным, ведущим к худшему опыту и потенциально опасным».
«Момент GPT3 для речи»
Исследователь Ragavan Thurairatnam описал Dessa как «первую ИИ-модель, с которой можно вести реалистичный разговор и которая обучена полностью на речи», назвав её появление «моментом GPT3 для речи». По его словам, модель является полнодуплексной speech-to-speech и может быть запущена на потребительских GPU.
Живые примеры диалогов
Исследователи опубликовали несколько примеров разговоров с Dessa, в которых агент демонстрировал разные голоса, ритмы и эмоции. В одном из диалогов бот сказал, что устал от работы, — и в этот момент его голос звучал уставшим. В другом примере модель говорила о том, как собеседник делает ей комфортно, при этом звучала эмоционально и почти срывалась.
Jack в своём твите от 23 октября 2026 года написал, что считает голос самым естественным способом взаимодействия с интеллектом, и что разговор с Dessa ощущается как разговор с человеком — «полным эмоций, нюансов, пауз и естественного ритма».
