Block hat ein Sprachmodell trainiert, das nur menschliche Gespräche gehört hat, ohne Umweg über geschriebenen Text. Die Hörproben klingen überzeugend. Nur prüfen kann das von außen derzeit niemand.
Was Block am 23. Oktober mit Dessa veröffentlicht hat
Block hat Dessa am 23. Oktober vorgestellt. Das Modell stammt aus der eigenen Forschungsabteilung, und die Ankündigung besteht aus einer einzigen Seite unter block.xyz/dessa, ein paar Tondateien und einem Formular für die Warteliste.
Eine API gibt es nicht. Keine Gewichte, keinen Preis. Eine kleine Gruppe von Forschern aus dem Bereich KI-Sicherheit hat vorab Zugang bekommen. Alle anderen tragen sich in eine Liste ein.
Dass Jack Dorseys Firma Square und Cash App betreibt, hilft bei der Einordnung. Hier veröffentlicht ein Zahlungsdienstleister ein Sprachmodell. Daraus erklären sich mehrere Entscheidungen weiter unten.
Dessa ist ein Speech-to-Speech-Modell ohne Textumweg
Die meisten Sprachassistenten arbeiten in drei Schritten. Das Mikrofon liefert Ton, eine Spracherkennung macht daraus Text, ein Sprachmodell formuliert eine Antwort, und eine Text-to-Speech-Engine liest sie vor. Wer heute mit einem solchen Assistenten telefoniert und genau auf den Klang achtet, hört an der Antwort, wie viele Stationen die eigene Stimme vorher durchlaufen hat, bevor sie wieder als Ton zurückkommt. Bei jedem Übergang geht etwas verloren. Das Modell in der Mitte hört Sie nie.
Dessa lässt diese Kette weg. Block hat das Modell von Grund auf mit menschlichen Gesprächen trainiert. Sprache rein, Sprache raus. Die Begründung des Unternehmens ist knapp: heutige Sprach-KI presse Schall in Wörter und verliere dabei, was Wörter nicht tragen.
So ein Satz ist schnell geschrieben und schwer zu prüfen. Es gibt kein Paper, keine Bewertung von dritter Seite, keine Benchmark-Tabelle. Solange niemand außerhalb von Block das Modell laufen lässt, beschreibt „nur mit Sprache trainiert“ ein Rezept, kein Ergebnis.
Voll-Duplex: Dessa hört zu, während es spricht
Dessa redet und hört gleichzeitig. Block nennt das Voll-Duplex, also beide Richtungen dauerhaft offen. Sie können mitten im Satz dazwischengehen, und das Modell reagiert, statt seinen Absatz zu Ende zu bringen.
Das ist deutlich schwerer als ein Gespräch mit festen Redebeiträgen. Ein Assistent, der auf Stille wartet, hat für diese Entscheidung beliebig viel Zeit, während ein Modell im Voll-Duplex-Betrieb sie in dem Moment treffen muss, in dem der Ton durch die Leitung kommt, und das ohne sichtbaren Hinweis für den Menschen am anderen Ende. Es muss also in Echtzeit unterscheiden, ob das Geräusch eben ein Husten war, ein zustimmendes „mhm“ oder die erste Silbe einer Unterbrechung.
OpenAI hat in diesem Jahr mit GPT-Live etwas Vergleichbares ausgeliefert. Genau hier merken Nutzer den Unterschied zuerst. Die Verzögerung entscheidet, ob sich ein Sprachagent lebendig anfühlt oder tot.
Block nennt keine Latenz für Unterbrechungen. Es gibt also keine Zahl zum Vergleichen.
Dessa auf dem MacBook: was der lokale Betrieb bedeutet
Laut Block läuft Dessa auf einem MacBook Pro mit M4 Max oder besser, was für ein Modell, das so menschlich klingt, eine ungewöhnliche Angabe ist, weil überzeugende Sprachsysteme sonst in einem Rechenzentrum hinter einer API stehen.
TechCrunch berichtet, das Training habe auf einem einzelnen Rack mit NVIDIA-GPUs gelaufen. Das ist eine Medienangabe, keine Aussage des Unternehmens. Beim Betrieb bleibt es trotzdem beim Laptop.
Warum sollte einen Zahlungsdienstleister lokale Inferenz interessieren? Square hat für Restaurants schon heute eine Sprachbestellung im Angebot. Jeder Anruf, den ein gehostetes Modell annimmt, kostet Geld pro Minute. Ein Restaurant, das an einem Freitagabend zweihundert Bestellungen annimmt, zahlt diese Minuten einzeln ab, und die Rechnung wächst mit dem Erfolg des Ladens. Ein lokales Modell verwandelt sie in eine einmalige Hardwareanschaffung. Bei einem Laden mit ein paar hundert Bestellungen am Tag kippt die Kalkulation.
Damit muss das Modell klein sein. Wie klein, sagt Block nicht.
Warum Dessa ein Werkzeug für Stimmbetrug werden könnte
Eine so gute Stimme ist auch eine Betrugswaffe. Trickbetrüger klonen heute schon Familienmitglieder aus wenigen Sekunden Tonmaterial aus sozialen Netzen. Wer eine Stimme nur aus einem einzigen Telefonat kennt, kann nicht mehr sicher sein, ob am anderen Ende ein Mensch sitzt oder eine Datei, die aus einer halben Minute Rohmaterial gebaut wurde. Ein Modell, das Pausen, Lachen und einen brechenden Ton hinbekommt, macht diese Fälschung deutlich schwerer zu erkennen.
Blocks Antwort: Zuerst bekommen Forscher Zugang, die an KI-Sicherheit arbeiten. Lesen Sie das als Test, ob ein Sprachagent die Person am anderen Ende der Leitung täuschen kann, bevor die Öffentlichkeit eine Kopie bekommt.
Vernünftig. Von außen aber nicht überprüfbar. Block hat für den Umgang mit Nachahmung keine öffentliche Regel vorgelegt, und solange eine solche Regel fehlt, bleibt jede Zusage zur Missbrauchsvorsorge eine Absichtserklärung, die sich von außen nicht nachprüfen lässt.
Diese Lücke ist derzeit die ganze Geschichte. Das Unternehmen bittet um Vertrauen, und zwar auf dem Feld, auf dem Vertrauen am schwersten zu verdienen ist.
Wie Dessa in den Block-Demos klingt
Die Ausschnitte auf der Seite sind kurz und mit Bedacht gewählt, und wer genau hinhört, bemerkt, dass in jedem Clip eine andere Regung die Führung übernimmt, von Erschöpfung bis zu einem Dank, der nach Tränen klingt. Jemand sagt, er sei von der Arbeit müde, und die Stimme klingt tatsächlich müde. Jemand hört von einer Überraschungsreise und bedankt sich mit einem Ton, als sitze ihm ein Kloß im Hals.
Genau an diesen Stellen bricht Text-to-Speech sonst. Geschriebene Sprache hat Satzzeichen aus einem Grund. Ein Schlucken lässt sich damit nicht abbilden.
Eine Einschränkung, bevor Sie sich freuen. Demo-Zusammenstellungen lassen sich so leicht zusammenstellen wie nichts sonst auf der Welt. Niemand veröffentlicht den Ausschnitt, in dem das Modell auf einer Beerdigung lacht.
Warum Squares Sprachbestellung der eigentliche Adressat ist
Folgt man dem Geld, ergibt Dessa Sinn. Squares Werkzeuge für Restaurants nehmen Bestellungen schon per Stimme an, und diese Anrufe sind kurz, repetitiv und laut. Frittierfett. Eine Sprechanlage im Drive-in. Ein Gast, der es sich mitten im Satz anders überlegt.
Ein Telefonagent, der das Zögern in „äh, nein, warten Sie, die große“ hört, ist mehr wert als einer, der nur ein Transkript liest, weil die Bestellung sonst im Zweifel falsch auf dem Küchenzettel landet und die Küche sie neu aufnehmen muss. Das ist das Geschäftsargument für den Verzicht auf Text, und Block muss es nicht aussprechen.
Als offizielle Gründe nennt das Unternehmen Neugier, ein besseres Verständnis zwischen Mensch und Maschine und Sicherheit. Nachvollziehbar. Es sind auch die Gründe, die jedes Labor nennt, solange es noch nichts zu verkaufen hat.
Was Sie mit Dessa heute machen können
Wenig. Sie können sich die Hörproben anhören und sich auf die Warteliste setzen lassen. Wer zu Stimmsicherheit forscht, kann den Zugang für Forscher beantragen, und nur dieser Weg führt derzeit an das Modell heran. Alles andere bleibt Hören.
Für Restaurantbetreiber mit Square ändert sich in diesem Quartal nichts, und wer heute schon per Stimme bestellt, merkt von Dessa frühestens dann etwas, wenn Square die Funktion offiziell umstellt. Achten Sie auf zwei Dinge. Erstens, ob Square erste echte Bestellungen über Dessa leitet. Das wäre das erste öffentliche Zeichen, dass lokale Inferenz im Geschäftsvolumen funktioniert. Zweitens, ob ein unabhängiges Labor einen Test zur Nachahmung veröffentlicht.
Bis eines davon passiert, bleibt Dessa eine starke Demo von einem Unternehmen, das einen guten Grund hat, sie irgendwann auszuliefern. Skepsis behalten, Hype überspringen.
