Голосовая модель Dessa от Block говорит без текста и запускается на MacBook Pro

Представьте диалог, в котором виртуальный собеседник устало вздыхает, перебивает вас на полуслове, нервно хихикает и меняет темп речи в зависимости от темы. Без раздражающей синтетической паузы перед ответом и без задержек облачного сервера. Исследовательская лаборатория компании Block, созданной Джеком Дорси, показала свою новую разработку — голосовую модель Dessa. В демонстрационных роликах система ведет себя обескураживающе органично: она способна звучать измотанной после тяжелого рабочего дня, срываться почти на плач при обсуждении успокаивающих вещей или на равных резаться в словесные игры с инженерами прямо во время перерыва.

Главный технологический слом Dessa заключается в отказе от самого текста. Классический конвейер современных голосовых ассистентов устроен сложно: звук переводят в буквы через транскрипцию, затем языковая модель генерирует текстовый ответ, а отдельный движок озвучки пытается расставить эмоции с помощью специальных тегов — именно так работают связки уровня ElevenLabs v4 или Fish Audio Drama 3. Разработчики из Block пошли другим путем и обучили модель с нуля исключительно на чистом аудиопотоке живой человеческой речи, вообще без текстовых датасетов.

Представители компании Block объяснили этот шаг предельно прямо: «Взаимодействие с современным голосовым ИИ порой откровенно разочаровывает. Ваш голос превращают в сухой текст, безвозвратно выбрасывая колоссальный объем информации, которую буквы передать просто не способны».

Когда нейросеть слышит живой звук напрямую, ей не нужны суфлеры. Dessa естественным образом считывает сарказм, легкое дрожание голоса, смех, плач и интонационные паузы. Более того, собственная база знаний системы извлекается прямо из массива разговорных аудиоданных, а не подтягивается из внешних тяжеловесных текстовых LLM. Модель работает в полнодуплексном режиме — говорит и слушает пользователя одновременно, аналогично алгоритмам вроде GPT-Live от OpenAI. Ее можно спокойно перебить, не дожидаясь формального завершения реплики.

Локальное железо и независимость от облака

Техническая сторона инференса привлекает внимание креаторов сильнее всего. Для обучения системы инженеры Block использовали всего один серверный узел NVIDIA GB200 NVL72, что по меркам современных вычислительных кластеров выглядит поразительно скромно. Еще практичнее обстоят дела с запуском: Dessa не требует постоянного коннекта с дата-центром и способна работать локально на потребительских компьютерах. В качестве рабочей конфигурации авторы заявляют ноутбуки MacBook Pro с процессором M4 Max или более производительные машины, а также рабочие станции с одним графическим ускорителем NVIDIA.

Для создателей интерактивного контента локальный запуск снимает главную головную боль — зависимость от облачных API, сетевых лагов и поминутной тарификации. Корпоративный интерес Block здесь тоже абсолютно прозрачен. Финтех-гигант развивает экосистему Square и сервис Cash App. Платежная платформа Square уже внедряет голосовой искусственный интеллект для автоматизации приема заказов в точках питания и рознице. Собственная автономная модель позволяет кардинально удешевить эти сценарии: терминалу больше не нужен бесконечный трафик в облако, если алгоритм крутится прямо на кассовом устройстве.

Погоня за эмоционально достоверной речью идет давно, и команда Дорси выходит на хорошо разогретое поле:

• В конце 2023 года коллектив LAION запустил проект Open Emparhic, начав сбор открытых датасетов для обучения эмпатичной синтезированной речи.
• В марте 2024 года стартап Hume AI представил собственный интерфейс EVI (Empathic Voice Interface), ориентированный на считывание эмоциональных нюансов.
• В сентябре 2024 года исследовательская организация Kyutai выпустила модель Moshi, доказав жизнеспособность открытых голосовых дуплексов.
• В июне 2025 года компания OpenAI выкатила масштабный апдейт продвинутого голосового режима Advanced Voice Mode в ChatGPT, полируя естественные паузы и интонационную гибкость.

При этом специалисты справедливо указывают на узкое горлышко: живого звучания мало, модели необходимо параллельно выстраивать сложную логику рассуждений прямо во время генерации ответа. Без глубокого анализа смысловая ценность диалога быстро испарится, даже если собеседник смеется в самых подходящих местах.

Пока Dessa остается за закрытыми дверями. В Block понимают риски: синтез речи, неотличимый от реального человека со всеми его вздохами и заминками, моментально привлечет авторов изощренных мошеннических схем. Сейчас компания принимает заявки через форму на официальном сайте исключительно от исследователей безопасности искусственного интеллекта. Им предстоит протестировать систему на скрытые уязвимости перед открытым релизом.

Для визуального продакшена, моушн-дизайнеров и геймдева этот релиз важен не как замена живому актеру, а как инструмент прототипирования нового порядка. Черновая озвучка аниматиков, интерактивные инсталляции, диалоги неигровых персонажей для инди-игр и быстрые тесты рекламных сцен теперь можно собирать без механического синтеза и мучительной ручной расстановки пауз. Человеческая речь наконец звучит как речь, не покидая пределов рабочего ноутбука.