推特创始人做了个「不识字」的 AI，却很会说话- 大数跨境

APPSO

2026-10-28

导读：AI 的声音，是人类对于未来的想象

语音交互与 AI 的结合已非新鲜事，但市面上多数语音助手的底层逻辑仍停留在「念稿」阶段：将语音转为文字，交由文本大模型处理，再合成为语音输出。

由推特联合创始人 Jack Dorsey 旗下 Block 公司推出的语音模型 Dessa，试图打破这一常规。该模型绕开文字媒介，直接基于声音构建知识与对话能力，旨在证明机器的智能可以从声音本身生长。

原生语音路线：Dessa 的「去文字化」探索

「既然人类婴儿在识字前已学会说话，机器为何不能遵循相同路径？」这是 Jack Dorsey 创立 AI 实验室 Dessa 的核心初衷。Dessa 作为 Block 旗下的独立研究团队，直接向创始人汇报，专注于纯 AI 研究。

剔除文字训练环节的原因在于，文字会将动态的声音固化为静态字符，过滤掉大量信息。Block 团队表示，完全基于声音训练的 Dessa 能够实现边听边说、自然插话及即时附和（如「嗯」「是的」），甚至可在配备 M4 Max 芯片的 MacBook Pro 上本地运行。

尽管训练细节与模型规模尚未公开，外界难以评估其技术上限，但 Dessa 指向了一条长期被文本大模型掩盖的「从语音到语音」（Speech-to-Speech）非主流技术路线。

相较于 Dessa 对语音本质的纯粹探索，主流商业模型正加速将语音能力融入日常工作流。xAI 同期推出的 Grok Voice 3.0 同样主打实时端到端语音交互，但其策略更侧重结合大模型的文本推理底子与原生语音能力。

以特斯拉为例，车主可直接通过车机与 Grok 对话，无需切换至手机 App。这类主流语音模型的进化核心聚焦于「半秒钟」的时间窗口。在电话交流中，半秒的沉默或不当的笑点足以破坏对话体验。Grok Voice 3.0 将优化响应延迟作为关键目标，以提升交互的自然度。

毫秒级的差异直接影响商业价值。目前，车载空间与客服热线是语音 AI 的主要应用场景。据 xAI 披露，该系统不仅处理特斯拉车内对话，还承担了 Starlink 每天约 2 万通客服电话，其中约 70% 的问题无需人工介入即可解决。

真正的「上岗」要求模型在口音、噪音及打断中准确识别诉求，并流畅完成资料检索、工具调用及故障处理。与此同时，OpenAI 也在 10 月中旬更新了 GPT-Live，提升了多语言口音自然度，并在 API 中新增包括日韩口音在内的九款音色，支持通过文字描述定制声音。

人类对语音控制的想象由来已久，从《银翼杀手》中的图像分析指令，到《Her》中具备情感陪伴功能的操作系统 Samantha，再到《流浪地球》中象征科技水平的 MOSS，声音始终是人工智能的重要载体。

随着大语言模型与语音 Agent 的结合，机器已能理解自由口语并执行复杂任务，如收发短信、预约服务甚至辅助编程。然而，屏幕、键盘和鼠标并未因此退场，这并非因为模型能力不足，而是受制于声音作为信息媒介的物理属性。

声音具有线性特征，适合表达模糊意图或下达指令，但在处理并列选项、审阅结构或比对代码差异时效率低下。例如，浏览航班价格、时间及退改规则，视觉扫描远优于语音播报。

Claude Code 的语音模式

此外，AI 权限越大，人类越需要可视化界面进行核实与纠错。物理环境与社交礼仪也划定了语音的边界：在驾驶、烹饪等双手占用场景下，语音是高效助手；但在开放式办公室，持续语音交互则显得突兀且侵犯隐私。

受限于信息带宽与隐私边界，技术延迟的降低无法解决所有问题。科幻预言正在兑现，但随着机器越来越像人一样说话，人类也更清晰地意识到何时该开口，何时应保持沉默。

【声明】内容源于网络

APPSO

AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

内容 15875

粉丝 0

APPSO AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

总阅读555.1k

粉丝0

内容15.9k