Block推出的Dessa也是独树一帜了，完全用人类语音训练的大模型，是真正的音频进-音频出模型，全程无文本转换，从零仅用人类对话录音训练（无预训练模型），实现全双工（边听边说）、自然时机、情感、插话和backchannel（如“yeah”“got it”）。 这与多数现有语音AI不同： OpenAI/Google等通常走语音→文本→LLM→语音的级联路径，丢失韵律与情绪； 即使Kyutai的Moshi也是从文本语言模型起步并并行预测文本。 它推动语音AI从级联架构转向原生音频模型，可能改善客服、助手的自然度与情绪感知（安全相关），并证明小团队+相对少算力也能探索新范式。这应该也说明了不同模态与训练路径仍有大量未探索空间。