Block показала Dessa — голосовую модель без промежуточного текста
Block показала Dessa — голосовую модель без промежуточного текста
Голосовой ассистент обычно сначала превращает речь в текст, затем думает текстом и озвучивает ответ. Block предлагает обойти этот конвейер. Компания представила Dessa — полнодуплексную модель «речь-в-речь», которая, по её описанию, учится на аудио и должна удерживать в разговоре не только слова, но и паузы, интонацию, смех и перебивания.
Полнодуплексность здесь означает, что собеседники могут говорить одновременно: модель не обязана ждать идеальной паузы в конце фразы. В опубликованных Block аудиодемонстрациях слышны короткие подтверждения, смена темпа и попытки модели подхватить реплику. Это ближе к обычному разговору, но именно поэтому такие системы сложнее оценивать: приятная интонация не доказывает точность ответа или безопасность действия.
Что заявляет Block
Компания пишет, что Dessa обучали только на человеческой речи, без текстовых токенов, и разместила примеры разговоров прямо на странице анонса. По словам Block, модель можно запускать на потребительских GPU; в независимом описании TechCrunch уточняется заявка на локальную работу на MacBook Pro с M4 Max.
Вместо сухого бенчмарка Block показывает аудио: модель смеётся, делает паузы, отвечает на перебивания и поддерживает длинный разговор. Это уместный формат для голосовой модели, но не заменяет технический отчёт. На странице нет привычной таблицы с задержкой, ошибками распознавания, ценой или сравнениями с конкурентами.
Изображение: Block.
Главное ограничение — не только качество голоса
Для разработчика важнее всего, что пока не названы условия публичного доступа, лицензия и воспроизводимая методика оценки. Заявление «самый естественный диалог» остаётся маркетинговым, пока его не проверят на шуме, акцентах, задержке и неудачных перебиваниях.
Тем не менее Dessa показывает, куда смещается конкуренция в voice AI: от красивого синтеза отдельных фраз к управлению ходом разговора. Перед подключением такой модели к звонкам или агентам стоит отдельно тестировать не только голос, но и момент, когда система должна замолчать, уточнить запрос или передать разговор человеку.
