语音AI的范式转移：Dessa如何仅用对话音频重塑智能交互

金融科技巨头Block的AI研究部门近日揭开了Dessa的神秘面纱。这个全双工语音对话模型的研究预览版，标志着人工智能在理解和生成人类语音方面迈出了颠覆性的一步。

从零开始的“纯语音”训练路径

与主流AI语音模型截然不同，Dessa的开发摒弃了常见的文本依赖路径。它完全基于未经处理的真实人类对话录音进行训练，过程中没有引入任何书面文字数据或借助现有的预训练模型权重。

这种“纯语音”方法让Dessa能够更直接地把握口语交流中细微的韵律、停顿和情感色彩，这些信息在转换为文本时往往会丢失。项目负责人Ragavan Thurairatnam将这一成就形容为“我们迎来了语音领域的GPT-3时刻”。

惊人的运行效率与硬件亲民性

尽管模型能力强大，但Dessa对计算资源的需求却出人意料地克制。其完整训练过程仅使用了一套NVIDIA GB200 NVL72系统。

更令人印象深刻的是部署阶段的效率：经过优化的Dessa模型可以在配备M4 Max芯片的MacBook Pro（或性能相当的设备）上本地运行，其处理速度甚至快于实时音频流。这为未来在个人设备上部署高性能、低延迟的语音助手铺平了道路。

  • 全双工交互：能够同时聆听和回应，实现更自然流畅的对话。
  • 设备端运行：在本地设备处理，有利于保护用户隐私并减少网络依赖。
  • 高效能表现：在消费级硬件上实现超越实时的处理速度。

当前状态与未来展望

目前，Dessa尚未面向公众全面开放。研究团队已经公布了多段高质量的对话演示录音，让外界得以一窥其交互能力。同时，他们正谨慎地向一小群专注于AI安全的研究人员提供早期访问权限，以进行深入的评估和测试。

这一发布不仅展示了一项具体的技术成果，更可能预示着语音AI研发范式的转变。随着模型进一步成熟和开放，它有望在智能客服、个人助理、无障碍工具乃至全新的人机交互界面中发挥关键作用。