这是一个只靠"听"学会说话的 AI。
Dessa是Block 公司（Jack Dorsey 创办，旗下有 Square、Cash App）一个很小的 AI 研究实验室做的实时语音对话模型，目前是研究预览版。团队来自多伦多的深度学习创业公司Dessa，做生成式语音模型已有八年以上，直接向Jack Dorsey汇报。
特别的地方是，没用一个字的文本，也没用任何预训练模型，从零开始，只听人类对话。 就像婴儿学说话，先听，再开口。
效果很惊艳，它能边听边说，你说话时它会"嗯"”对"地附和；聊到好笑的地方，它会在句子中间笑出来；让它大声点，它就提高音量；对方想不起电影名字，它还能帮忙接上。官方甚至放出了它和 OpenAI的GPT-Live 直接对话的录音。
成本方面，两个数字，训练只用了一台GB200 NVL72；推理能在一台M4 Max的MacBook上本地跑，速度还比实时快。 小团队、小算力、端侧运行，和大厂拼规模的路线完全相反。
为什么这件事重要？现在的语音 AI 大多先把声音转成文字再处理，情绪、语气、停顿全丢了。Dessa证明了一件事，声音本身，就是一种比文字更大信息量的信息。
当然也要冷静，Demo演示都是官方精选的，没有论文、没有权重、没有评测，知识全靠"听"到的得来。团队说，这是语音领域的 GPT-3 时刻。GPT-3 当年也不完美，但它指明了方向。
语音，这条赛道，倒是不一定只属于算力最多的公司。
