Dessa 是一個對話型 AI 模型，由 Block 公司（創辦人為傑克·多西）旗下的 AI 研究團隊開發，成員原本來自多倫多深度學習新創公司 Dessa。這個模型的特色是「音訊輸入、音訊輸出」，使用者講話，模型直接用語音回應，中間不需要把語音轉成文字再轉回語音，目標是讓 AI 更懂得人說話時的情緒與語氣。
技術上，Dessa 完全只用人類對話的語音資料訓練，不依賴文字或現成的預訓練語言模型，從聲音本身學習語言、口音、停頓、情感與諷刺語氣。官方表示僅用一個 NVIDIA GB200 NVL72 GPU 就完成訓練，模型支援全雙工溝通（可以同時聽與說，就像人類對話一樣），推理速度比真實對話還快，也可以在 MacBook Pro M4 Max 等級的筆電上本機運行。
這則發布值得注意的地方在於它想解決的問題：傳統語音 AI 通常先把語音轉成文字再處理，這個過程會丟掉大量資訊，像是語調、情緒、諷刺這些細微差別都會不見。Dessa 跳過文字轉換這一步，直接從聲音學習，等於是換了一種做語音 AI 的方式。
這則新聞比較偏產業面，對剛開始學程式的孩子來說，可以從中了解一個概念：同一個問題（讓電腦聽懂人說話）可以用完全不同的做法解決，不一定要照著大家習慣的路徑（語音轉文字再處理），換個角度設計系統，有時候反而能保留更多原本會遺失的資訊。
AI語音技術產業動態