有点吓人:新 AI 只靠听人说话,就学会了聊天、停顿和接话

文 / 六点50min

想象一下。

你接到一个电话。

对面的人语气自然，说话时会停顿。

你讲到一半，他会轻轻回应一句“嗯，我明白”。

你开了个玩笑，他还会笑。

当你说话的声音变得低落时，他的语气似乎也会跟着柔和下来。

整个过程，像极了和一个真人聊天。

但如果我告诉你：

电话另一头，可能根本不是人呢？

以前，我们判断一个声音是不是 AI，可能还比较容易。

比如声音太机械。

语速太均匀。

回答之前总要停顿一两秒。

但现在，AI 正在努力消除这些明显的破绽。

就在最近，一家科技公司发布了一个叫作 Dessa 的语音 AI。

它最特别的地方，并不是声音好听。

而是开发团队声称：

这个 AI 没有靠大量文字学习语言，而是直接通过听人类说话，学会了如何对话。

听起来有点不可思议。

这件事，可能比我们想象的更值得关注。

🌸 01. 这个 AI，居然是靠“听”学会说话的？

2026年10月23日，科技公司 Block 发布了一款新的语音 AI 模型。

名字叫 Dessa。

Block 这个名字，可能很多人不熟悉。

但它的联合创始人 Jack Dorsey，你可能听说过。

他也是 Twitter（现称 X）的联合创始人之一。

这家公司旗下还有 Square、Cash App 等金融科技产品。

这一次，Block 的研究团队没有重点展示 AI 写文章或者生成图片。

他们做了一件很特别的事情：

让 AI 直接从真实的人类语音对话中学习。

大家平时接触的大语言模型，通常会使用大量文字参与训练。

书籍、文章、网页、对话文本……

这些都是学习语言的重要材料。

但 Dessa 团队表示，他们从零开始训练模型，使用的是人类对话音频，没有使用文字训练数据，也没有依赖现成的预训练模型。

换句话说：

它学习的不只是人类说了什么。

还包括人类是怎么说的。

什么时候停顿。

什么时候插话。

什么时候笑。

什么时候应该安静地听别人说完。

这些细节，我们平时可能不会特别注意。

但它们恰恰决定了一场对话听起来是不是自然。

当然，这不意味着 AI 像婴儿一样拥有了人类的理解能力。

这是模型训练方式上的一种探索。

至于它究竟理解了多少内容，目前还需要更多独立测试。

🌸 02. 为什么以前的 AI，说话总有一股“机器人味”？

你有没有试过和手机里的语音助手聊天？

有些时候，体验是这样的。

你：“帮我查一下明天的天气。”

AI：“好的，正在为您查询。”

你：“对了，顺便……”

AI 还在按照自己的节奏往下说。

你想打断它，却发现并不总是那么顺畅。

为什么？

因为不少传统语音 AI 系统，需要经历这样一个过程：

听到你的声音 → 转换成文字 → 理解文字 → 生成回答 → 再转换成声音。

这个流程当然能够完成任务。

但有一个问题。

声音里的一些信息，可能在变成文字的过程中丢失。

比如同样一句：

“你可真厉害。”

如果是开心地说，可能是在夸奖。

如果拖长语调，带着不满说，可能是在讽刺。

文字完全一样。

意思却可能相反。

再比如，一个人说：

“没事，我挺好的。”

单看文字，好像没什么问题。

但如果声音低沉、犹豫，甚至带着哭腔，传递出的感受就完全不同。

传统系统如果只依赖转换后的文字，就可能忽略这些语音线索。

而 Dessa 尝试走的是另一条路。

它直接处理声音，再生成声音。

不需要在核心对话过程中先转换成文字。

研究团队还特别强调了一个能力：

Full-Duplex，中文叫“全双工”。

这个词有点专业，但理解起来并不复杂。

你可以把它想成两个人打电话。

你说话时，我可以听。

我说话时，你也可以随时打断。

甚至你还没完全说完，我就能自然地回应一句：

“嗯。”

“对。”

“我明白。”

而不是必须等一个人彻底结束，另一个人才开始说话。

Dessa 的目标，就是让 AI 交流变得更接近这种自然状态。

需要注意的是，能实现双向实时交流的 AI 并不是 Dessa 首创，它更特别的地方在于官方宣称的纯语音训练路线。

🌸 03. 官方放出的演示，让人既惊讶又有点不习惯

Block 这次公布了多段 Dessa 的对话录音。

其中一些表现很有意思。

比如，Dessa 可以在聊天过程中自然地笑出来。

有时候它会改变自己的语气。

当对话者要求它说得大声一点，它也能够作出相应调整。

还有一段演示中，一名团队成员和 Dessa 玩起了猜谜游戏。

双方进行来回交流，整个过程不只是简单地一问一答。

研究团队还展示了声音带有明显情绪色彩的对话片段。

这些表现听起来确实很有意思。

但更值得注意的是：

它不只是尝试把字念得好听，而是把停顿、语气和交谈节奏也放进了模型要处理的任务里。

不过，演示里也并不全是完美表现。

根据 The Verge 的报道，Dessa 曾经把对话者认错成另一个人。

有些回答也会突然偏离原来的话题。

也就是说，它虽然在声音表现上有亮点，但距离稳定、可靠、真正理解各种复杂场景的语音助手，还有不少问题需要解决。

而且，目前公开的主要还是开发团队选择展示的对话样本。

我们还不知道它在长时间聊天、不同语言、嘈杂环境和复杂问题下，是否依然能保持这样的效果。

所以不能因为几段演示听起来像真人，就认为它已经可以完全替代真人交流。

🌸 04. 更有意思的是：它还可以在电脑本地运行

除了声音自然，Dessa 还有一个值得注意的方向。

Block 官方称，它可以在配备 M4 Max 或更强芯片的 MacBook Pro 上本地运行。

什么意思？

简单来说：

不是所有对话都必须发到远程服务器处理。

如果模型能够部署在自己的设备上，就有可能让语音处理直接发生在本机。

这件事为什么重要？

因为我们平时和 AI 说话，可能涉及很多私人信息。

比如：

个人工作安排。

家庭生活。

日常聊天。

一些不想上传到云端的内容。

本地运行有机会减少对远程服务的依赖，也有利于探索更低延迟的交流体验。

当然，本地运行不自动等于绝对安全，数据是否离开设备仍然取决于软件的实际设计。

而且，这个功能目前还不是普通用户可以直接安装的成熟产品。

截至目前，Dessa 仍然处于研究预览阶段。

官方尚未提供公开可用的完整模型下载、普通用户使用入口或明确的正式发布日期。

只有部分安全研究人员有机会申请早期访问。

所以现在它更像是在展示未来可能出现的语音交互方式，而不是一款你今天就能安装使用的 App。

🌸 05. 如果 AI 真的越来越会聊天，我们的生活会发生什么变化？

我觉得，比技术原理更有意思的，是它未来可能带来的使用场景。

第一个：语音助手终于不再那么死板

想象一下。

你正在厨房做饭。

你问 AI：

“这道菜接下来应该放什么？”

AI 开始给你讲步骤。

你突然发现锅里的油温太高，于是赶紧打断：

“等一下！我锅里都快冒烟了！”

真正自然的语音助手，应该能够注意到你的打断和语气变化，及时调整对话。

而不是继续念完原本的菜谱。

当然，真正涉及安全的场景，还需要可靠的知识和判断能力，不能只靠声音自然。

第二个：学英语，可能真的像跟外国朋友聊天

现在很多人练口语，已经开始使用 AI。

但如果语音交互更自然，以后的练习可能更接近真实对话。

你说错了一个单词。

AI 可以适当地提醒。

你突然想不起某个表达。

它可以给你一点提示。

你还没说完，它也不会急着抢话。

对于害怕开口说英语的人来说，这样的学习体验可能更轻松。

第三个：客服不一定再像“客服机器人”

相信大家都有这样的经历。

打客服电话。

“请说出您要办理的业务。”

你解释了半天，它还是回答：

“抱歉，没有听清您的问题。”

然后让你重新选择菜单。

如果未来的语音 AI 能更自然地理解交谈节奏，再结合准确的业务系统，客服体验可能会发生明显变化。

不过，说话自然只是第一步。

能不能真正解决问题，仍然取决于它是否能够正确查询信息、执行操作和处理异常。

声音像人，不代表办事一定比人靠谱。

🌸 06. 但有一个问题，可能比技术本身更让人担心

如果有一天，AI 的说话方式真的越来越接近真人……

我们该怎么判断电话另一头究竟是谁？

这可能是最值得普通人关注的问题。

过去，很多诈骗电话会因为声音机械、回答迟钝而暴露。

但如果未来的 AI 能自然停顿、接话、笑，甚至使用高度拟真的声音，单凭听感识别诈骗就可能越来越困难。

当然，Dessa 本身并不是一款专门用于模仿特定人物声音的产品。

目前也没有证据表明它已经被用于相关诈骗。

但整个语音 AI 行业的进步，确实会让身份验证变得更加重要。

所以这里也提醒大家：

以后接到涉及转账、验证码、银行卡或者其他敏感信息的电话，千万别因为声音熟悉，就直接相信对方。

即使听起来像朋友、家人或者领导，也应该通过自己保存的联系方式再次确认。

如果对方催促马上转账，尤其要提高警惕。

声音已经越来越不能单独作为判断身份的依据。

这不只是 AI 技术公司的事情。

也会直接影响每一个普通人。

🌸 07. 真正值得关注的是：AI 正在学习人类交流的细节

回头看这些年 AI 的发展，会发现一件很有意思的事。

最开始，我们希望 AI 能够回答问题。

后来，我们希望它能写文章、画图、做视频。

再后来，我们希望它可以替我们完成一些实际任务。

现在，AI 公司又开始认真研究：

怎样让机器和人交流时，不那么像机器？

因为现实生活中的沟通，从来不只是语言文字。

一个停顿。

一声叹气。

一句带着笑意的回应。

甚至什么时候不说话。

都可能包含重要信息。

Dessa 的出现，说明有研究团队正在尝试把这些长期被忽略的声音细节，直接融入 AI 的学习过程。

但也必须明确：

AI 可以学习人类表达情绪的方式，并不等于它真的拥有了人类的情绪。

它能发出听起来难过的声音，不代表它自己感到难过。

它能自然地笑，也不意味着它真的觉得好笑。

表达越来越像人，和真正成为人，是两回事。

不过，对于未来的人机交互来说，这依然是一个值得关注的方向。

或许过不了多久，我们和 AI 聊天时，最明显的变化不再是它能回答多少问题。

而是：

我们渐渐不需要刻意调整自己的说话方式，去适应一台机器了。

以前，是人学习怎么和机器交流。

未来，可能越来越多地变成机器学习怎么自然地与人交流。

而这件事，才刚刚开始。

最后想问大家一个问题：

如果未来有一种 AI，声音、语气、停顿都和真人非常接近，甚至可以随时陪你聊天……

你会愿意使用吗？

还是觉得，这种 AI 越像真人，反而越让人不安？

欢迎在评论区聊聊。

这里是「六点50min」，用简单的话，聊有用的 AI。

参考资料：

https://block.xyz/dessa

https://techcrunch.com/2026/10/24/blocks-new-voice-model-sounds-eerily-human/

https://www.theverge.com/ai-artificial-intelligence/1017906/jack-dorsey-block-dessa-ai-voice-speech