Dessa 发布：AI 语音的 GPT 时刻到来？

你能听出，这是两个 AI 在对话吗？

Block 发布的 Dessa 演示里，它与 GPT-Live-1 聊起天来：有停顿，有接话，也有说话时仍在倾听的感觉。让人惊讶的地方，已经不只是“声音像真人”，而是对话开始有了来回。

不过，先把几个词拆开，你就更容易听懂这次变化。

ASR：你的听写员

ASR 的全称是 Automatic Speech Recognition，自动语音识别。你说“帮我定个闹钟”，它把声音识别成这几个字。

STT 是 Speech-to-Text，语音转文字。在日常讨论里，两者经常指向同一类任务：把听到的声音变成文字。它们不是要背的两套神秘技术。

接下来，LLM，也就是大语言模型，读懂这段文字、组织回答。最后，还有一位“朗读员”等着上场。

TTS：你的朗读员

TTS 的全称是 Text-to-Speech，文字转语音。它把“已设置早上七点”的文字，变成你听到的声音。

把这条常见链路连起来，就是：

你说话 → ASR 听写 → LLM 想好怎么回答 → TTS 读出来。

这就像几个人接力干活。每一棒都做对，整体才顺。听写错了，后面可能答非所问；每一棒都多等一会儿，对话就容易显得慢半拍。

而且，声音里还有文字没有写出来的东西。同一句“你可真厉害”，真诚赞叹和带着讽刺，意思可能相反。语气、停顿、笑声和重音，都是对话的一部分。

Speech-to-Speech：声音进，声音出

Speech-to-Speech，常写作 S2S，可以理解为从语音到语音。端到端语音模型可以直接围绕音频学习和生成回应，不必先把整句话完整转成文字，再按传统链路逐棒交接。

但要分清：S2S 描述的是输入输出或处理路线，全双工描述的是双方能不能同时说和听。声音进、声音出，并不自动等于全双工。

半双工：像对讲机，你说完我再说

半双工不是“只能单向说话”，而是两个方向都能传，但同一时刻要轮流。

想象按住对讲机按钮：“收到，请回答。”你说话时，对方先听；你松开之后，对方再说。如果一个语音助手要等你说完才开始回答，回答时又听不进你的插话，体验上就很像这样。

顺带一提，始终只有一个传输方向，叫单工，比如广播。这和半双工还不一样。

全双工：像打电话，边说边听

打电话时，你说话，我也能开口；我一边回应，还能听见你补充的“等一下”。

这就是全双工的关键：双方可以同时收发。 放在语音 AI 上，就是模型开口时仍能处理你的声音，才有机会自然地应对打断、接话和语气变化。

做出自然对话，还需要模型判断什么时候该说、什么时候该停、什么时候该给一个“嗯”的回应。全双工提供了条件，好的对话表现还需要更多能力配合。

为什么 Dessa 值得关注？

根据 Block 官方介绍，Dessa 从人类对话的声音中学习。官方还披露：其训练使用一套 NVIDIA GB200 NVL72，并可在 M4 Max MacBook Pro 或更高配置设备上，以快于实时的速度本地运行。这些硬件与性能信息来自官方说明，本文未做独立测速。

“快于实时”可以直观理解为：生成一段声音所花的时间，短于把这段声音播放完所需的时间。它不表示训练能在普通笔记本上完成，也不等于每一次交互都没有等待。

我们把“AI 语音的 GPT 时刻到来？”写成问句，是因为这确实值得观察：语音 AI 会不会从“听指令、念答案”，走向更自然的交谈？

先记住三件事就够了：ASR 负责听写，TTS 负责朗读；S2S 让声音参与回答过程；全双工让双方有机会边说边听。

声音自然、会接话，也不等于已经具备人类智能。听演示时，不妨留意它怎么停、怎么接，以及你插话时它会怎么做。

来源：Block Dessa 官方介绍与官方 Dessa × GPT-Live-1 对话演示。配图为零一道制作的科普动画画面，含 AI 辅助制作内容。

谯洪敏｜零一道