# 彻底抛弃 ASR+LLM+TTS 级联拼装！Jack Dorsey 旗下 Block 重磅发布全双工语音模型 Dessa：纯人类语音端到端建模、拟真情感笑声与 Mac 本地离线部署全景拆解

- Link: https://paooo.com/aigc-news/40399/
- Published: 2026-10-26T16:12:24+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * Dessa 以音频到音频端到端建模，跳过文本中转，保留笑声、叹息与呼吸等语音细节。
 * 支持真·全双工交互，可感知插话与打断，并根据上下文自然调整语速与话语权。
 * 可在消费级 Mac 与单卡 GPU 本地离线部署，适合餐饮点单、呼叫中心与私有化场景。

> **💡 站外导读：**长期以来，所谓的“智能语音对话系统”大多停留在“语音识别（ASR）转
> 文字 ➔ 文本大语言模型（LLM）推理 ➔ 语音合成（TTS）发声”的拼装级联流水线中。这种
> 架构不仅累加了数百毫秒乃至秒级的物理时延，更在文字中转过程中彻底丢失了人类语调、
> 微表情、呼吸感与情绪起伏。Twitter 联合创始人 Jack Dorsey 掌舵的金融科技与基础设施
> 巨头 Block（前身为 Square）正式发布划时代的全新原生语音大模型 **Dessa**。Dessa
> 完全基于纯粹的人类原始语音波形训练，彻底终结了文本中转环节，实现真正的声学全双
> 工双向交互与极具震撼力的情感拟真，并支持在消费级 Mac 与单卡 GPU 上无依赖本地离
> 线部署。

## 一、告别文字中转：声学原生端到端与全双工革命

传统级联语音流水线存在天然的技术代差：当人类说出一句带有讽刺意味的“呵，真不错”时，
ASR 只能将其冰冷地还原为文本“真不错”，下游大语言模型因此作出截然相反的判断。**文字
是对人类真实声音的高维有损压缩。**

阅读目录

 * [一、告别文字中转：声学原生端到端与全双工革命](https://paooo.com/aigc-news/40399/#%e4%b8%80%e5%91%8a%e5%88%ab%e6%96%87%e5%ad%97%e4%b8%ad%e8%bd%ac%e5%a3%b0%e5%ad%a6%e5%8e%9f%e7%94%9f%e7%ab%af%e5%88%b0%e7%ab%af%e4%b8%8e%e5%85%a8%e5%8f%8c%e5%b7%a5%e9%9d%a9%e5%91%bd)
 * [二、硬件亲和力与本地部署：消费级 Mac 跑通工业级声学中枢](https://paooo.com/aigc-news/40399/#%e4%ba%8c%e7%a1%ac%e4%bb%b6%e4%ba%b2%e5%92%8c%e5%8a%9b%e4%b8%8e%e6%9c%ac%e5%9c%b0%e9%83%a8%e7%bd%b2%e6%b6%88%e8%b4%b9%e7%ba%a7-mac-%e8%b7%91%e9%80%9a%e5%b7%a5%e4%b8%9a%e7%ba%a7%e5%a3%b0%e5%ad%a6)
 * [三、商业赋能版图：从 Square 线下点单到全行业原生交互](https://paooo.com/aigc-news/40399/#%e4%b8%89%e5%95%86%e4%b8%9a%e8%b5%8b%e8%83%bd%e7%89%88%e5%9b%be%e4%bb%8e-square-%e7%ba%bf%e4%b8%8b%e7%82%b9%e5%8d%95%e5%88%b0%e5%85%a8%e8%a1%8c%e4%b8%9a%e5%8e%9f%e7%94%9f%e4%ba%a4%e4%ba%92)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/40399/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

Block 推出的 **Dessa** 彻底抛弃了中间文本层，其核心革命性特征包括：

 * **全链路语音到语音（Audio-to-Audio Native）：**输入是连续的声学波形特征，输出
   直接是连续的高保真音频流，声学信号中的笑声、叹息、哽咽乃至停顿呼吸均被模型内生
   捕捉；
 * **真·全双工（Full-Duplex）并发架构：**Dessa 可以在开口说话的同时持续监听外界声
   场，能够秒级感知人类的插话（Barge-in）、附和或打断，并根据听觉上下文自然地调整
   语速或礼貌让出话语权，重塑自然人际对话体验；
 * **内生对话知识库：**模型直接从海量高品质对话音频中提取因果逻辑与常识知识，摆脱
   了对外部通用大语言模型检索增强的强耦合依赖。

![Block 公司正式发布原生全双工语音模型 Dessa](https://paooo.com/wp-content/uploads/
2026/10/sre-curated-1793002336240-29.avif)

## 二、硬件亲和力与本地部署：消费级 Mac 跑通工业级声学中枢

在工程可用性方面，Dessa 展现出了极高的能效比，并未走向盲目膨胀参数量的弯路。Block
研发团队针对现代芯片架构进行了深度算子融合与显存优化：

  |  部署运行环境 |  硬件配置基准 |  推流时延与并发性能表现 |  
   |  端侧便携设备 (Apple Silicon) |  搭载 M4 Max / M3 Max 芯片的 MacBook Pro |  利用统一内存（Unified Memory）与 Metal 硬件加速，首包音频生成时延压进 120ms，完全离线单机流畅运行。 |  
 |  单机边缘服务器 (NVIDIA Edge) |  单张 RTX 4090 或 L40S 级商用 GPU |  支持并发承接数十路低延迟语音热线呼叫，显存占用不足 12GB，算力能耗极低。 |  
 |  私有化企业级集群 |  标准 Kubernetes GPU 节点池 |  提供标准 gRPC / WebRTC 接口，无缝嵌入 Square POS 结账与呼叫中心前置系统。 |

## 三、商业赋能版图：从 Square 线下点单到全行业原生交互

作为服务全球数百万中小型商户与连锁企业的商业帝国，Block 布局 Dessa 绝非纯技术炫技，
而是具有强烈的商业变现推力：

 1. **无感餐饮与零售语音点餐：**在此之前，Square 已经在部分餐厅试点 AI 语音点单，但
    受制于背景噪音与生硬语调，顾客体验常有摩擦。Dessa 凭借对杂音环境的高鲁棒性与拟真
    口音，可自主承接嘈杂环境下的电话订位与窗口点餐；
 2. **企业级隐私与合规护城河：**由于 Dessa 支持全本地私有化部署，商户和客户的对话音
    频无需上传至第三方公有云模型提供商，彻底杜绝了支付信息与敏感音频的越权外泄风险；
 3. **封闭红队安全评估：**Block 官方目前已率先向全球顶尖安全研究团队开放内测，重点测试
    对抗语音钓鱼、声音克隆伪造防线，成熟后将逐步向商户端全量铺开。

#### 📝 站长洞察 (Editor’s Insight)

从[大模型](https://paooo.com/ai-study/)交互架构演进史来看，Block 发布的 Dessa 再次
印证了业界的共识：**“级联拼装是过渡方案，多模态端到端才是终局形态”**。就像早期计算
机视觉先做边缘提取再做分类、最终被深度学习全端到端取代一样，语音交互也正在经历这
场剥离文本中间层的范式转移。更深层次的商业逻辑在于，Jack Dorsey 敏锐地洞察到了线
下中小实体（SMB）对“低成本、高确定性本地智能”的渴求——小企业无法承受昂贵的按 Token
计费的云端 API 账单，更无法承担数据隐私泄露的法律责任。Dessa 跑在 Mac 与单卡 GPU
上的能力，恰恰为去中心化、本地优先（Local-first）的企业级 AI 落地树立了标杆。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**Twitter ↗**

Twitter（现已更名为X）是一个全球性的社交媒体和微型博客平台，其核心功能围绕信息的
即时发布、传播与互动展开

❓ 常见问题解答（FAQ）

Dessa 和传统语音助手有什么区别？

传统方案通常是 ASR 转文字、LLM 推理、TTS 发声的级联流水线，容易丢失语气、情绪和停顿
信息。Dessa 直接从语音波形到语音输出，强调全双工交互与情感拟真，更接近自然对话。

Dessa 能在 Mac 上离线运行吗？

可以。文中提到它支持在搭载 M4 Max 或 M3 Max 的 MacBook Pro 上本地离线部署，并利用
统一内存与 Metal 加速实现较低首包时延，适合对隐私和本地化有要求的场景。

Dessa 适合哪些商业应用场景？

主要适合餐饮点单、零售语音交互、电话订位、呼叫中心前置和企业私有化部署。它的优势
在于低时延、可本地运行、对噪声环境更友好，并能降低云端调用与数据外泄风险。

🔬 语宙深潜追问 · 进阶实操拆解

端到端语音模型最难突破什么？

最难的是可控性和可解释性。端到端虽然低时延、拟真度高，但要稳定控制情绪、停顿、插话
和笑声，需要更强的训练数据标注与推理约束，否则容易“像人但不好用”。

本地离线部署适合哪些商业场景？

适合对隐私、延迟和成本敏感的场景，如车载助手、企业内训、医疗记录和本地客服。落地
时要优先评估模型体积、单卡吞吐、热启动时间与端侧音频管线，避免只看效果不看部署成本。

🗳️ 读者观点微投票 · 您的实战立场是？

语音模型该继续级联拼装还是直接端到端？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🚀 所属权威专题：AI 办公提效与神器评测 →](https://paooo.com/topics/ai-productivity-tools/)

 * [终结级联拼装与语境割裂！科大讯飞重磅首发星火语音基座大模型 SparkAudio 1.0：全链路端到端多任务融合、微表情级情绪感知与 AI 录音环全景实测深度拆解](https://paooo.com/ai-tool/40304/)
 * [告别 ASR+LLM+TTS 拼装时代！ElevenLabs 重磅开源 Eleven Realtime 语音 Agent：单模型全双工 0.57s 极速直出与 98.8% 推理实测全景拆解](https://paooo.com/ai-tool/40265/)
 * [终结字幕闪烁与Voice Agent误执行！网易有道开源真流式语音大模型R2T2：首创落子无悔Append-Only机制、200ms极致延迟与多后端端侧部署全景实战](https://paooo.com/trends/40591/)
 * [阿里开源Fun-Audio-Chat：端到端语音交互模型，情绪感知+50%GPU节省，性能碾压GLM4-Voice](https://paooo.com/ai-tool/12547/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/40399/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
